Geri Dön

Fast screening algorithms for protein interface structural alignments

Protein arayüzlerinin yapısal hizalamaları için hızlı eleme algoritmaları

PDF İndir

  1. Tez No: 519633
  2. Yazar: ALİ TUĞRUL BALCI
  3. Danışmanlar: PROF. DR. ATTİLA GÜRSOY, PROF. DR. ZEHRA ÖZLEM KESKİN ÖZKAYA
  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: 2018
  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: Belirtilmemiş.

Özet

Birçok biyolojik işlemin temelini protein-protein etkileşimleri (PPE) oluşturur. PPElerin biyolojik aktivitelerin yerine getirilmesindeki önemi yeni PPElerin tanımlanmasını önemli kılar. Hataya karşı dayanıklı ve güvenilir bilimsel araçlar yeni etkileşimlerin bulunmasını kolaylaştırmak için kullanılabilir. Bilgisayar üzerinden yeni etkileşimlerin bulunmasında en büyük zorluklardan biri arayüzlerden oluşan bir veri kümesinde verilen protein yapısına en uygun arayüzü bulmaktır. Bu tezde, bir veri kümesindeki arayüzleri verilen proteine olan yapısal benzerliklerine göre sıralayan QuickRet algoritmasını sunuyorum. Algoritma arayüzlerden çıkartılan yapısal karakteristik özellikleri verilen proteinden çıkartılan yapısal karakteristik özelliklerle karşılaştırır. QuickRet'i yapısal özelliklerine göre kümelenmiş arayüzlerden oluşan veritabani PIFACE'si ve örnek arayüzleri kullanarak PPE tahmini yapan algoritma PRISM'in tahminlerini kullanarak test ettim. Sonuçlar QuickRet'in verilen proteinler için yapısal olarak benzer arayüzler bulmakta başarılı olduğunu gösteriyor. PIFACE veri kümesinde, QuickRet verilen 166 kümesi üyesinden 56'si için küme temsilcilerini 1. sırada veriyor. PRISM tahminleri içinse, verilen 80 proteinden 56'si için PRISM tarafından tahmin edilen arayüz yapısını %50'lik dilimin içerisinde sıralıyor. QuickRet'e ek olarak, arayüz bölgesini tahmin eden bir derin öğrenme modeli sunuyorum. Model, 3 boyutlu konvolüsyon ağı, verilen yapıyı analiz eder ve verilen yapının arayüz olma olasılığını hesaplar. Model PIFACE, PPI4DOCK, DOCKGROUND'un içinde bulunduğu veri kümelerindeki arayüz yapılarını %80 doğruluk ile tahmin etti.

Özet (Çeviri)

Protein-protein interactions (PPIs) form the basis of many biological processes in living organisms. The significance of PPIs in mediating biological activity necessitates the identification of novel interactions. Template based structural alignment is one of the computational approaches to predict protein-protein interactions using known protein interfaces. One challenge in template-based prediction is the computational cost due to the one-to-all comparison of the query protein against a database of all known interfaces. In this thesis, two different approaches have been developed a) QuickRet, a hashing based algorithm, b) and a deep learning based algorithm. QuickRet, a fast screening algorithm, ranks interfaces due to their structural similarity to a query protein. It extracts features (angles and distances derived from four atoms) from structures of interfaces and compares them with the features extracted from the query protein. QuickRet is tested with the PIFACE database, a clustered protein-protein interface database, and predictions made by the template interface based PPI prediction algorithm, PRISM. The results indicate that QuickRet is successful in filtering structurally dissimilar interfaces for a given protein. With at least 80% match, 99% (320/43500 interface structures remained) of the database is eliminated and the average RMSD value of the remaining structures is 2.4 Å. With at least 90% match, 99.9% (50/43500 structures remained) of the database is eliminated and the average RMSD value drops to 2.28 Å. In addition, a deep learning based method which predicts, for a given protein complex, if the interface between the proteins of the complex is a true interface or not (based on known interfaces in Protein Data Bank). The model, a 3-dimensional convolutional model, analyzes the given structure and outputs the probability of the given structure being an interface. The accuracy of the model for several interface data sets, including PIFACE, PPI4DOCK, DOCKGROUND is approximately 80%. Both algorithms can be used to reduce the computational cost of template-based PPI predictions.

Benzer Tezler

  1. Tez No

    655350

    Multiplexed cell-based diagnostic devices for the detection of kidney disease pathological markers

    Böbrek hastalıklarının takibinde kullanılabilir çok katmanlı tüm hücre sensörleri ile oluşturulmuş biyoteşhis cihazları

    SILA KÖSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Biyomühendislikİhsan Doğramacı Bilkent Üniversitesi

    Malzeme Bilimi ve Nanoteknoloji Ana Bilim Dalı (disiplinlerarası)

    DOÇ. DR. URARTU ÖZGÜR ŞAFAK ŞEKER

  2. Tez No

    867910

    Dikkat eksikliği hiperaktivite bozukluğu'nun tarama ve teşhisinde hızlı, duyarlı ve güvenilir bir tanı aracı olarak makine öğrenimi yöntemlerinin kullanılması

    Using machine learning methods as a fast, sensitive and reliable diagnostic tool for screening and diagnosis of attention deficit hyperactivity disorder

    ESRA ÇETİN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    PsikiyatriSağlık Bilimleri Üniversitesi

    Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ESRA ÇÖP

  3. Tez No

    842953

    SARS COV-2 / influenza A & B / RSV multipleks PCR tarama yaklaşımının, pediatrik hasta grubunda tanıya ve hasta yönetimine etkisinin değerlendirilmesi

    Impact of SARS CoV-2 / influenza A & B / RSV multiplex PCR screening on diagnosis and management of pediatric patients

    SULTAN GÜLBAHÇE ORHAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    MikrobiyolojiSağlık Bilimleri Üniversitesi

    Tıbbi Mikrobiyoloji Ana Bilim Dalı

    PROF. DR. AYŞE ESRA KARAKOÇ

  4. Tez No

    692573

    Makine öğrenmesi algoritmaları ile COVID-19 hastalarının belirlenmesi

    Identifying COVID-19 patients with machine learning algorithms

    MİNE AYAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Endüstri ve Endüstri MühendisliğiPamukkale Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZCAN MUTLU

  5. Tez No

    997429

    Akım volüm halkası ile obstrüktif uyku apnesi teşhisi için makine öğrenmesi tabanlı bir yöntem geliştirilmesi

    Development of a machine learning-based method for the diagnosis of obstructive sleep apnea using flow volume loop

    SEVAL BULUT ERİŞ

    Doktora

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET RECEP BOZKURT

    PROF. DR. CAHİT BİLGİN

Geri Dön