Prediction of permissive insertion sites in proteins
Proteinlerde izin verilen gen yerleştirme alanlarının tahmin edilmesi
- Tez No: 348687
- Danışmanlar: PROF. DR. OSMAN UĞUR SEZERMAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyoteknoloji Bilim Dalı
- Sayfa Sayısı: 59
Özet
Proteinlere farklı proteinlerin eklenmesi yönteminin, birbirinden farklı protein mühendisliği uygulamalarında kullanılan farklılaştırılmış protein üretimi sürecindeki etkinliği kanıtlanmıştır. Protein ekleme, proteini ifade eden gen üstünde belli başlı bölgelere gen yerleştirerek farklı bir protein elde edilir ve proteinin işlevselliğinde değişikliğe yol açar. Proteinler, sadece üzerlerinde belli başlı alanlara yapılan yerleştirmeleri tolere edebilirler. Bu yüzden bu tolere edilen yerleştirme alanlarının tanımlanması, başarılı bir yerleştirme yapabilmek için büyük önem taşır. Bu yerleştirime alanları, deneme yanılma yöntemiyle tanımlanabilir. Fakat, bu alanlara yönelik doğruluk oranı yüksek bir tahmin yöteminin geliştirilmesi, bu alanların ortaya çıkarılmasını kolaylaştıracaktır.Bu çalışmada, makina öğrenmesi ve veri madenciliği yöntemlerini kullanarak, proteinlerin tolere edilebilen gen yerleştirme alanlarını tahmin etmekteyiz. Bu tahminler eğitilmiş tahminler olarak adlandırmaktayız. Eğitilmiş tahminlere, gen yerleştirme alanını çevreleyen amino asitlerin belirgin özelliklerini seçerek ulaşmaktayız. Bu tek sayıdaki yerleştirme bölgesini çevreleyen amino asitleri, boyu ayarlanabilen bir pencere yardımıyla belirlemekteyiz. Yerleştirme bölgesi, bu pencerenin ya merkez noktasına ya da orta değer noktasına düşmektedir. Bu pencere içerisinden, amino asitlerle alakalı bir grup özellik elde edilmiştir. Sonrasında, SVM makine öğrenme yöntemini kullanılarak, 10 farklı proteinden elde edilen gen yerleştirmeye elverişli ve elverişsiz 135 bölge ile eğitilerek bir model oluşturulmuştur.Eğitilmiş modelimiz, Dış zar yer gösterici proteini FasD, Laktoz kalıt baskılayıcı LacI, Tip II sekresyon sistemi proteini XpsD ve de Maltoz periplazmik proteini MalE için sırasıyla %70.59, %61.11, %61.90 ve %90.00 doğruluk oranlarına erişmiştir.
Özet (Çeviri)
The procedure of domain insertion is proven to be very effective in the process of creating modified proteins that can be used for different protein engineering applications. Domain insertion alters the functionality of the protein by inserting gene or genes into certain domains. Proteins usually tolerate insertions in specific sites only, therefore identifying those permissive insertion sites is crucial for any successful insertion attempt. Normally, determining permissive insertion sites is performed experimentally by a genetic approach. However an educated guess can assist in predicting the potential permissive insertion sites.In this work, we introduced a method for predicting permissive insertion sites through the utilization of machine learning and data mining techniques. We have adopted an educated guess approach to predict permissive sites by extracting distinctive features from the amino acids surrounding the insertion site included within any captured amino acid window. The window size was made adjustable and can capture any odd number of amino acids. We used a number of features related to amino acids obtained from this window and then used a machine learning based approach to construct a trained SVM model using 135 permissive and non-permissive sites obtained from 10 different proteins.Our trained model was used to predict permissive insertion sites in Outer membrane usher protein FasD, Lactose operon repressor LacI, Type II secretion system protein XpsD, and Maltose periplasmic protein MalE and 70.59%, 61.11%, 61.90% and 90.00% accuracies were achieved respectively.
Benzer Tezler
- Performance prediction of gas storage in salt caverns
Başlık çevirisi yok
MURAT YAPICI
Yüksek Lisans
İngilizce
1990
Petrol ve Doğal Gaz MühendisliğiOrta Doğu Teknik ÜniversitesiPetrol Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. FEVZİ GÜMRAH
- Dizel araçlarda yol eğimi bilgisinin dizel partikül filtresi rejenerasyonuna etkisi
Effects of road slope information on diesel particulate filter regeneration in diesel vehicles
NAZLI ECEM ÇOKER
Yüksek Lisans
Türkçe
2019
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HALUK EROL
- Üniversite öğrencilerinde dürtüsellik ve ebeveynlik biçimlerinin flört şiddetine yönelik tutumu yordaması
The prediction of attitudes towards dating violence by impulsivity and parenting styles in university students
MUKADDER BÜYÜKESKİL
Doktora
Türkçe
2021
PsikolojiNecmettin Erbakan ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. ŞAHİN KESİCİ
- COVID-19 hastalarında ilk başvurudaki verilerle hastalık şiddetinin makine öğrenmesi yöntemleri ile öngörülmesi
Prediction of disease severity with machine learning methods in COVID-19 patients with the data at the first hospitalization
KÜBRA KÖKSAL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ
DOÇ. DR. BUKET DOĞAN
- Yardımcı üreme teknikleri kullanılarak gebelik elde edilen hastalarda serum kisspeptin düzeyinin erken gebelik sonuçlarını öngörmedeki rolü
The role of serum kisspeptin level in prediction of EARLYpregnancy outcomes in patients with pregnancy using assistedreproductive techniques
GÖKÇE AYKANAT
Tıpta Uzmanlık
Türkçe
2022
Kadın Hastalıkları ve DoğumDokuz Eylül ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. RECEP EMRE OKYAY
PROF. DR. ALİRIZA ŞİŞMAN