سمیه باصری - کارشناسی ارشد آمار، دانشکده علوم، دانشگاه شیراز
اسماعیل ابراهیمی - استادیار بخش زراعت و اصلاح نباتات، دانشکده کشاورزی، دانشگاه شیراز

برای سالها تعیین متغیرهای (ویژگیهای) موثر و ارائه مدل پیش بینی کنندهای کارا و دقیق برای پدیدههایی که تحت تاثیر عوامل زیادی رخ میدهند اما به دلیل وجود محدودیتهایی تعداد تکرار (مشاهده) کمی دارند، امکانپذیر نبود. زیرا در این شرایطراهکارهای متداول آماری که بر مبنای زیاد بودن تعداد مشاهدات نسبت به متغیرهای تاثیر گذار شکل گرفتهاند، قابل استفاده نمی برای انتخاب PC-Simple باشند. در راستای حل این مشکل، در این مقاله یک روش بسیار جدید مبتنی بر استفاده از الگوریتم که توسط Crude ویژگیهای و عوامل موثر بر رخداد یا نحوه عمل پدیده مورد بررسی، معرفی میشود. سپس با استفاده از برآوردگر ارائه و برتری آن در مدل بندی دقیق و کارا نسبت به دیگر برآوردگرها در این زمینه اثبات Srivastava and Kubokawa (2007) شده است، بهترین مدل پیش بینی کننده معرفی میشود. در پروتئین بیوانفورماتیک پیشبینی دمای بهینه آنزیمهای جدید (قبل از تولید آنها در آزمایشگاه) با استفاده از توالی پروتئینی آنها مورد توجه بسیار میباشد. این پیش بینی و مدلبندی به محققین اجازه دستکاری و ایجاد تغییرات در توالی پروتئینی موجود با استفاده از روش جایگزینی آمینو اسید و یا جهش در جهت تولید آنزیم برتر در صنعت را میدهد. برای این منظور لازم است خواص و ویژگیهای زیادی از توالی پروتئین مورد توجه قرار گیرد، در عوامل موثر تعیین و سپس توسط PC-Simple حالیکه تعداد مشاهدات با محدودیت زیادی همراه میباشد با استفاده از الگوریتم مدلی پیش بینی کننده برای دمای بهینه فعالیت آنزیم زایلاناز که پروتئین مهمی در صنعت میباشد، ارائه شده Crude برآوردگر است. شایان ذکر است که ویژگیهایی همچون تعداد اسید آمینه های گلوتامین، سیستئین، لایزین به همراه تعداد اسید آمینه های دارای بار مثبت در تعیین دمای بهینه فعالیت آنزیم زایلاناز موثر تشخیص داده شده است.

انتخاب ویژگی، آنزیم زایلاناز، بیز تجربی، پروتئین بیوانفورماتیک، مدل پیشبینی کننده