Prediction of PDZ interactions and classifications using structures and machine learning methods
Yapısal özellikler ve makine öğrenme metodaları kullanarak PDZ domain etkileşimlerini ve sınıfını tahmin etme
- Tez No: 367636
- Danışmanlar: PROF. DR. ZEHRA ÖZLEM KESKİN ÖZKAYA, PROF. DR. ATTİLA GÜRSOY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2014
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
PDZ domain'i (PSD-95/Discs-large/ZO-1 homology) tek ve çok hücreli organizmalarda evrimsel süreç boyunca oldukça korunmuş ve en bol miktarda bulunan domain ailelerinden biridir. Evrimsel korunmuşluğun ve birçok organizmada yaygın olarak bulunuyor olmasının işaret ettiği gibi PDZ domain'inin önemli sayıda hücresel fonksiyonun yerine getirilmesinde rolü büyüktür. Bu fonksiyonlar arasında vesiküler taşınım, nöronal sinaptik bağlantılar, nöron gelişim ve dağılım örnek gösterilebilir. Dolayısıyla, PDZ domain işlevinde meydana gelecek bir aksama, Usher's sendromu, epilepsi, şizofreni ve bazı kanser türleri gibi oldukça ciddi hastalıklara sebebiyet verebilir. PDZ domainleri 80-100 amino asit uzunluğunda, iki α-helix (αA- αB) ve six β-sheet (βA to βF) ten meydana gelir. PDZ domaininin en yaygın bağlanma şekli olarak bilinen 'canonical' etkileşimi, domain üzerinde bulunan bir bağlanma oluğu ile hedef proteinin C-terminal ucundaki 5 amino asitlik peptidler ile gerçekleşir. PDZ domainleri etkileşimlerindeni ligand seçimlerindeki özelleşmeye dayanarak Tip I, Tip II ve Tip III olmak üzere 3 sınıfa ayrılırlar. Genel olarak PDZ domainleri belirli bir sınıf peptide bağlansalar da, aralarında hem Tip I hem de Tip II ile etkileşebilen omainler olduğu bilinmektedir ve bunlar Tip I-II olarak sınıflandırılmaktadır. Bu çalışma, PDZ domainlerinin yapısal özelliklerinden faydalanarak, onlara yeni ligandlar bulunması ve sınıflandırılması üzerine yoğunlaşmaktadır. Deneysel olarak etkileşim bilgileri bulunan domainlerin ve ligandlarının özelliklerinden faydalanarak, yapay öğrenme ile etkileşim tahmini ve sınıflandırma için modeller geliştirilmiştir. Bu modelleri geliştirmek için en güvenilir yapay öğrenme algoritmalarından biri olan 'support vector machine (SVM)' kullanılmıştır. Bu modellerin performans analizleri çapraz validasyon ('cross-validation') testlerinin yanı sıra insan proteomunun taranıp, doğru tahmin edilen etkileşimlerin istatistikleri kullanılarak yapılmıştır. Sonuç olarak, sırasıyla 0.99 ve 0.91 AUC değerlerine sahip etkileşim tahmin eden model ve sınıflandırma modeli geliştirilmiştir. Insan proteomu tarama sonuçlarına göre de etkileşim tahmin eden model, PDZ domainleri aracılığıyla gerçekleşen etkileşimleri 17 % lik doğruluk oranı ile tahmin etmiştir. Ayırca, PDZ domaini genel-geçer sınıflandırma sisteminin doğruluğunu da güçlendirmiştir. Bu modeller ileride PDZ domaini barındıran proteinlerin yeni ligandlarını bulmak ya da bu proteinleri hedefleyen ilaç molekülleri tasarlamak amacıyla yapılacak olan çalışmalarda, aday olacak peptidlerin sayıca aza indirgenmesinde kullanılabilir.
Özet (Çeviri)
PDZ domains (PSD-95/Discs-large/ZO-1 homology) are one of the most abundant and evolutionary conserved domain families through uni- and multi-cellular organisms. As its abundance and high evolutinary conservation indicates, PDZ domains mediate a number of distinct functions in the cell including vesicular sorting, neuronal synaptic plasticity, development and neural guidance. Therefore, malfunction of the PDZ domain causes several crucial diseases such as Usher's syndrome, epilepsy, schizophrenia and types of cancer. PDZ domains are 80-100 residues long and consist of two α-helices (αA- αB) and six β-sheets (βA to βF). The canonical interaction is the most common interaction type of PDZ domain where the PDZ domain binds the C-terminal of the target protein via the binding cavity. PDZ domains are categorized into three classes according to the motif of their binding partners as Class I, Class II and Class III. Altough, PDZ domains prefer to bind a particular class of peptides there are cases where the PDZ domain can interact with both Class I and Class II peptides, classified as Class I-II. This study focuses on building prediction models for PDZ domain mediated interactions and PDZ domain classification by using their structural features. By utilizing the properties of the PDZ domains and their ligands, those have the available interaction experimental data, an interaction prediction and classification model was built via machine learning approaches. One of the most robust machine learning approach, support vector machine (SVM) algorithm, was selected to train the models. The interaction prediction and the classification models performances were evaluated by cross-fold validation test and validation of human proteome scanning results on experimentally known interactions data. The interaction prediction model and the classification model have area under ROC curve with a number of 0.99 and 0.91, respectively. Moreover, the human proteome scanning results showed that the interaction prediction model was able to predict the known PDZ domain mediated interactions correctly with a TP rate of 17 %. Additionally, the general knowledge of classification of PDZ domains were supported by our results. These models could be utilized by future experimental studies to narrow the search space of the novel binding partners of PDZ domains as well as drug discovery studies that target PDZ domain containing proteins.
Benzer Tezler
- PDZ domains: Interaction prediction, classification and peptide library construction
PDZ yapısal bölgeleri: Bağlanma tahmini, sınıflandırma ve peptit veri tabanı oluşturma
SİBEL KALYONCU
Yüksek Lisans
İngilizce
2010
BiyokimyaKoç ÜniversitesiBiyokimya Ana Bilim Dalı
DR. ATTİLA GÜRSOY
DR. ÖZLEM KESKİN
- Travay takibinde güven vermeyen kardiyotokografi olgularında yakın kızılötesi spektroskopisi kullanılabilir mi?
Could near infrared spectroscopy be used during labor in pregnant women with non reassuring cardiotocography tracings?
ESMA CANSU ÇEVİK BAŞCI
Tıpta Uzmanlık
Türkçe
2022
Kadın Hastalıkları ve DoğumMarmara ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. ESRA ESİM BÜYÜKBAYRAK
- Manisa bölgesinde 'ST segment yükselmesi olmayan miyokard infarktüsü' tanısı alan hastalarda kardiyovasküler risk faktörlerine göre koroner lezyonların dağılımının incelenmesi
Prediction of the significance of coronary arterial lesions by the assessment of the cardiovasular risk factors in patients with 'NON-ST elevated myocardial infarction' in Manisa region
EDA ÖZLEK
Tıpta Uzmanlık
Türkçe
2015
KardiyolojiCelal Bayar ÜniversitesiKardiyoloji Ana Bilim Dalı
PROF. DR. ALİ RIZA BİLGE
- Travmatik beyin hasarlı çocuklarda klinik, elektrofizyolojik ve görüntüleme yöntemleri ile prognoz belirlenmesi
Prediction of prognosis by clinical, electrophysiological and imaging techniques in children with traumatic brain injury
AHMET YILDIRIM
Tıpta Uzmanlık
Türkçe
2015
Çocuk Sağlığı ve HastalıklarıEge ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. GÜL SERDAROĞLU
- Prediction of the cutting forces for robotic grinding processes with abrasive mounted bits
Aşındırıcı taş kullanılan robotik taşlama proseslerinde kesme kuvvetlerinin tahmini
KEMAL AÇIKGÖZ
Yüksek Lisans
İngilizce
2015
Makine MühendisliğiOrta Doğu Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERHAN İLHAN KONUKSEVEN