Deep Learning for Antimicrobial Peptide Recognition
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Acıbadem Mehmet Ali Aydınlar Üniversitesi, Sağlık Bilimleri Enstitüsü, Biyoistatistik ve Biyoinformatik Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: Hüseyin Okan Soykam
Danışman: Günseli Bayram Akçapınar
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Patojenik mikroorganizmalar, antibiyotiklere ve diğer antimikrobiyallere karşı hızla direnç geliştirmektedir. Yeni etkili antimikrobiyal terapötiklerin araştırılması, geliştirilmesi, piyasaya sürülmesi zaman almaktadır. Antimikrobiyal peptitler (AMP), patojenik mikroorganizmaları bertaraf etmek için nispeten ucuz, hızlı terapötik alternatiflerdir. Alanda gerçekleştirilen araştırma sayısı çoğaldıkça, son on yılda kamuya açık veri tabanlarında daha fazla veri birikmiştir. Bu durum, peptit tanıma problemini dizi girdisiyle çözmek için makine öğrenimini kullanan hesaplama yöntemlerinin kullanılmasını mümkün kılmaktadır. Son zamanlarda, derin öğrenme yaklaşımlarının tanıma probleminin performansını iyileştirdiği gösterilmiş, ancak bunlar çoğunlukla sınırlı veri setlerin üzerinde gerçekleştirilmiş çalışmalardır. Bu çalışmada, çeşitli antimikrobiyal peptitleri tanıma ve sınıflandırmada yüksek performans gösterebilen bir derin öğrenme modelini eğitmek için daha büyük ve heterojen bir veri seti oluşturuldu. Eğitilmiş model daha sonra Uniprot, Bacillus subtilis ve Trichoderma reseei proteomlarından türetilen fragman dizilerinin antimikrobiyal aktivitesini tahmin etmek için kullanıldı. Öngörülen AMP adayları, net yük, hidropati, ikincil yapı özellikleri, yapısal kararsızlık indeksi gibi biyokimyasal ve elektrofiziksel özelliklerine göre önceliklendirildi ve sıralandı. Sonuçlarımız, eğitilmiş modelimizin, bir peptit parçasına antimikrobiyal öznitelikleri öğrenerek, eğri altında kalan alan, kesinlik, geri çağırma ve MCC performansı ile makul adayları tahmin edebildiğini göstermektedir. Modelin, geniş bir spektrumda hidropatikliğe, net yüke, ikincil yapıya, motif çeşitliliğine sahip ve antimikrobiyal özellik gösterebilecek AMP adaylarını sınıflandırabildiğini ve bu nedenle tahmin edilen peptitlerin makul AMP adayları olabileceğini gösterdik. Çalışmamız, derin öğrenme modellerinin büyük ve karmaşık bir veriden faydalanarak yüksek boyutlu öznitelikleri öğrenebildiğini ve bu tür derin temsil çalışmalarının AMP tanıma görevi performansını iyileştirme konusunda umut vaat ettiğini göstermektedir.