Evaluation and ranking of protein docking models by 3D convolutional neural networks
Modellenmiş protein-protein etkileşim arayüzlerinin 3 boyutlu evrişimli sinir ağları ile değerlendirilmesi ve sıralanması
- Tez No: 648680
- Danışmanlar: PROF. ATTİLA GÜRSOY, PROF. ZEHRA ÖZLEM KESKİN ÖZKAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Biyolojik süreçler, protein-protein arayüzleri aracılığıyla meydana gelen protein etkileşimlerine bağlıdır. Protein-protein arayüzlerinin kolay ve güvenilir bir şekilde belirlenebilmesi, protein bağlanma mekanizmalarını anlamak ve yeni etkileşimleri tahmin etmek için çok önemlidir. Bir arayüz çıkarabilmek için, protein-protein kompleks yapısına ihtiyaç vardır. Tek bir protein kompleksinin yapısını belirlemek bile deneysel olarak uzun bir zaman ve büyük bir çaba gerektirdiğinden; hesaplamalı yöntemlerin binlerce olası protein kompleksi yapısını tahmin edebileceğini görmek umut vericidir. Fakat, hesaplamalı yöntemlerde karşımıza çıkan en büyük zorluk, yöntem tarafından önerilen binlerce protein kompleksi arasından biyolojik olanlarını ayırt edebilmektir. Günümüze kadar, biyolojik protein modellerini belirlemek için, dekoyları puanlayan ve sıralayan birçok yöntem geliştirilmiştir. Bu tezde, DeepInterface adı verilen üç boyutlu evrişimli sinir ağı tabanlı dekoy puanlama ve sıralama yaklaşımını geliştirdik. En iyi performans gösteren DeepInterface modelini bulmak için birden çok evrişimli sinir ağı mimarisini karşılaştırdık ve hiperparametre alanlarını taradık. Sonuç olarak, VGG16'nın mimarisine benzeyen yeni bir model ortaya çıkarttık. Protein Veri Bankasında (PDB) depolanan komplekslerden pozitif veri kümelerini ve PPI4DOCK ve DOCKGROUND veritabanlarında depolanan yanlış dekoylardan negatif veri kümelerini oluşturduk. Önerdiğimiz modelin, PDB'de depolananlara benzer pozitif protein arayüzlerini, yaklaşık %81 doğrulukla, CAPRI kriterlerine göre yanlış negatif protein arayüzlerinden ayırt edebildiğini gösterdik. Modellerimizi ZDOCK benchmark 4.0 üzerinden IRAD ve DOVE gibi diğer dekoyların puanlama / sıralama araçlarıyla da karşılaştırdık ve modellerimizin bu araçlarla yarışabilir nitelikte olduğunu gösterdik. Kullandığımız bu yöntem, protein-protein etkileşimlerini tahmin eden programların hesaplama maliyetini azaltmak için kullanılabilir.
Özet (Çeviri)
Biological processes depend on protein-protein interactions that occur through protein-protein interfaces. Identification of protein-protein interface regions is crucial to understand mechanisms of protein binding and predict new interactions. Therefore, it is critical to be able to determine protein-protein interfaces easily and reliably. To extract a protein interface, protein-protein complex structure is needed. Since even determining a single protein complex structure experimentally takes time and effort; it is promising to see that computational docking tools can provide thousands of possible complex structures, called decoys, in a short time. A challenge that comes with computational methods is to be able to discriminate near-native decoys among thousands proposed. Multiple methods have been developed for scoring and ranking the decoys to identify the biologically relevant ones that can be used in further biological research. In this thesis, we improved a three-dimensional convolutional neural network-based decoys` scoring and ranking approach called DeepInterface. We compared multiple convolutional neural network architectures and searched the hyperparameters` space to find the best performing DeepInterface model that resulted in having the VGG16 resembling architecture. We built positive datasets from the complexes stored in the Protein Data Bank, and negative datasets from the incorrect decoys stored in the PPI4DOCK and DOCKGROUND docking databases. We showed that the model we suggested can discriminate positive interfaces, similar to ones stored in the PDB, from the incorrect ones, according to the CAPRI criteria, with approximately 81% accuracy. We also compared our models with other decoys` scoring/ranking tools including IRAD and DOVE using ZDOCK docking benchmark 4.0 decoys and showed that our models are competitive. This method could be used to reduce the computational cost of the protein-protein interactions` predictions.
Benzer Tezler
- A computational approach for prioritization of patient-specific cancer drivers
Başlık çevirisi yok
AHMED AMINE TALEB BAHMED
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Ana Bilim Dalı
PROF. DR. CESİM ERTEN
DOÇ. DR. HİLAL KAZAN
- Heterojen biyomedikal verinin bilgi çizgeleri ve derin öğrenme tabanlı analizi ile protein fonksiyonlarının otomatik tahmini
Automated prediction of protein functions with knowledge graph representations and deep learning-based analysis of heterogeneous biomedical data
ERVA ULUSOY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBiyoinformatik Ana Bilim Dalı (Disiplinlerarası)
DOÇ. DR. TUNCA DOĞAN
- Bazı katkı maddelerinin diyabetik tahin helvasının kalitesine etkisi
Başlık çevirisi yok
M.KEMAL DEMİRAĞ
Doktora
Türkçe
1994
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOMRİS ALTUĞ
- Çeşitli hayvan modellerinde, vajina ve rektumdaki enzim bariyerlerinin değerlendirilmesi ve insan vajina değerleri ile karşılaştırılması
Evaluation of vaginal and rectal enzymatic barriers in various animal models and comparing with human vaginal values
ZEHRA İLKNUR PARLATAN
Yüksek Lisans
Türkçe
1997
Eczacılık ve FarmakolojiGazi ÜniversitesiFarmasötik Teknoloji Ana Bilim Dalı
PROF. DR. FÜSUN ACARTÜRK
- İskemik inme'de TNF related apoptosis ınducing ligand (TRAIL) 'in rolü
Role of tnf related apoptosis inducing ligand (TRAIL) in ischemic stroke
UFUK VURGUN