Geri Dön

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

PDF İndir

  1. Tez No: 367636
  2. Yazar: TAYFUN TÜMKAYA
  3. Danışmanlar: PROF. DR. ZEHRA ÖZLEM KESKİN ÖZKAYA, PROF. DR. ATTİLA GÜRSOY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2014
  8. Dil: İngilizce
  9. Üniversite: Koç Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Tez No

    276940

    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

    İngilizce

    2010

    BiyokimyaKoç Üniversitesi

    Biyokimya Ana Bilim Dalı

    DR. ATTİLA GÜRSOY

    DR. ÖZLEM KESKİN

  2. Tez No

    714331

    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

    Türkçe

    2022

    Kadın Hastalıkları ve DoğumMarmara Üniversitesi

    Kadın Hastalıkları ve Doğum Ana Bilim Dalı

    PROF. DR. ESRA ESİM BÜYÜKBAYRAK

  3. Tez No

    82111

    Prediction of financial performance in İstanbul Stock Exchange: A comparative analysis

    İstanbul Menkul Kıymetler Borsası finansal performans tahmini: Karşılaştırmalı analiz

    ÖZGÜR TÜRETKEN

    Yüksek Lisans

    İngilizce

    İngilizce

    1999

    İşletmeOrta Doğu Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    DR. SEZA DANIŞOĞLU RHOADES

  4. Tez No

    82953

    Prediction of learned despain in rats using artificial neural networks

    Yapay sinir ağlarıyla sıçanlarda öğrenilmiş çaresizlik tahmini

    İPEK ORUÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    1999

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. A. C. CEM SAY

  5. Tez No

    87167

    Prediction of failure of commercial banks in Turkey

    Türkiye'deki ticari bankaların iflas tahminleri

    BÜLENT YAĞLI

    Yüksek Lisans

    İngilizce

    İngilizce

    1996

    Bankacılıkİhsan Doğramacı Bilkent Üniversitesi

    İşletme Yönetimi Ana Bilim Dalı

    DOÇ. DR. GÜLNUR MURADOĞLU

Geri Dön