Deep learning for antimicrobial peptide recognition
Antimikrobiyal peptit tanıma için derin öğrenme
- Tez No: 776073
- Danışmanlar: DOÇ. DR. GÜNSELİ BAYRAM AKÇAPINAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyoistatistik, Mikrobiyoloji, Computer Engineering and Computer Science and Control, Biostatistics, Microbiology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Acıbadem Mehmet Ali Aydınlar Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Biyoinformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 106
Özet
Patojenik mikroorganizmalar, antibiyotiklere ve diğer antimikrobiyallere karşı hızla direnç geliştirmektedir. Yeni etkili antimikrobiyal terapötiklerin araştırılması, geliştirilmesi, piyasaya sürülmesi zaman almaktadır. Antimikrobiyal peptitler (AMP), patojenik mikroorganizmaları bertaraf etmek için nispeten ucuz, hızlı terapötik alternatiflerdir. Alanda gerçekleştirilen araştırma sayısı çoğaldıkça, son on yılda kamuya açık veri tabanlarında daha fazla veri birikmiştir. Bu durum, peptit tanıma problemini dizi girdisiyle çözmek için makine öğrenimini kullanan hesaplama yöntemlerinin kullanılmasını mümkün kılmaktadır. Son zamanlarda, derin öğrenme yaklaşımlarının tanıma probleminin performansını iyileştirdiği gösterilmiş, ancak bunlar çoğunlukla sınırlı veri setlerin üzerinde gerçekleştirilmiş çalışmalardır. Bu çalışmada, çeşitli antimikrobiyal peptitleri tanıma ve sınıflandırmada yüksek performans gösterebilen bir derin öğrenme modelini eğitmek için daha büyük ve heterojen bir veri seti oluşturuldu. Eğitilmiş model daha sonra Uniprot, Bacillus subtilis ve Trichoderma reseei proteomlarından türetilen fragman dizilerinin antimikrobiyal aktivitesini tahmin etmek için kullanıldı. Öngörülen AMP adayları, net yük, hidropati, ikincil yapı özellikleri, yapısal kararsızlık indeksi gibi biyokimyasal ve elektrofiziksel özelliklerine göre önceliklendirildi ve sıralandı. Sonuçlarımız, eğitilmiş modelimizin, bir peptit parçasına antimikrobiyal öznitelikleri öğrenerek, eğri altında kalan alan, kesinlik, geri çağırma ve MCC performansı ile makul adayları tahmin edebildiğini göstermektedir. Modelin, geniş bir spektrumda hidropatikliğe, net yüke, ikincil yapıya, motif çeşitliliğine sahip ve antimikrobiyal özellik gösterebilecek AMP adaylarını sınıflandırabildiğini ve bu nedenle tahmin edilen peptitlerin makul AMP adayları olabileceğini gösterdik. Çalışmamız, derin öğrenme modellerinin büyük ve karmaşık bir veriden faydalanarak yüksek boyutlu öznitelikleri öğrenebildiğini ve bu tür derin temsil çalışmalarının AMP tanıma görevi performansını iyileştirme konusunda umut vaat ettiğini göstermektedir.
Özet (Çeviri)
Pathogenic microorganisms are developing resistance to antibiotics and other antimicrobials rapidly. Researching new robust antimicrobial therapeutics to the market is very time consuming and expensive. Antimicrobial peptides (AMP) provide a therapeutic alternative to kill pathogenic microorganisms. As more and more studies are conducted, more data has been accumulating in public databases over the last decade. This enables computational methods to automate the peptide recognition problem via sequence alone. However, sequence-based algorithmic methods have certain limitations and their performance is subpar. Recently, deep learning approaches have been suggested to improve the performance over recognition problem yet they were mostly applied to limited datasets. In this study, we curated a bigger and highly heterogenous data set to train a deep learning model that can perform well on a diverse set of AMPs. The trained model is then used to predict the antimicrobial activity of fragment sequences derived from Uniprot, Bacillus subtilis and Trichoderma reseei genomes. Predicted antimicrobial peptide candidates are prioritized and ranked according to their biochemical and electrophysical features such as net charge, hydropathy, secondary structure characteristics, instability index. Our results indicate that our trained model can predict plausible candidates with a reliable AUC, precision, recall and MCC performance by learning the features which makes a peptide fragment to have antimicrobial activity. We have demonstrated that our model can identify AMP candidates with wide range of characteristics such as charge, hydropathy, and with a rich set of BlastP hits pointing to variety of. Our study shows that deep learning models are able to learn useful high dimensional features from a large and complex data and that such deep representation holds promise for improving the AMP recognition task performance.
Benzer Tezler
- Antibiyotik dirençli ve duyarlı bakterilerin yüzeyde zenginleştirilmiş raman spektroskopisi ve makine öğrenmesi teknikleri ile tespiti ve sınıflandırılması
Detection and classification of antibiotic resistant and susceptible bacteria by surface enhanced raman spectroscopy and machine learning techniques
FATMA UYSAL ÇİLOĞLU
Doktora
Türkçe
2021
BiyomühendislikErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT TOKMAKÇI
DR. ÖĞR. ÜYESİ ÖMER AYDIN
- Detection of antimicrobial resistance using surface-enhanced raman spectroscopy combined with machine learning algorithms
Makine öğrenmesi algoritmalarıyla birleştirilmiş yüzeyi zenginliştirilmiş raman spektroskopisi kullanılarak antimikrobiyal direnç tespit
ZAKARYA ALI ZAIN AL-SHAEBI
Yüksek Lisans
İngilizce
2022
Bilim ve TeknolojiErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER AYDIN
- İlaç araştırma ve geliştirme çalışmalarında makine öğrenimi
Machine learning in drug research and development
MEHMET ALİ YÜCEL
Yüksek Lisans
Türkçe
2022
Farmasötik ToksikolojiMersin ÜniversitesiFarmasötik Kimya Ana Bilim Dalı
PROF. DR. ÖZTEKİN ALGÜL
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Deep Learning for Accelerated 3D MRI
Hızlandırılmış 3D MRG için Derin Öğrenme
MUZAFFER ÖZBEY
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR