Proteinlerin subselüler yerleşimlerinin görüntü, sekans ve interaktom verisi tabanlı tahmini
Image, sequence and interactome based prediction of subcellular localization of proteins
- Tez No: 847092
- Danışmanlar: PROF. DR. TUNCA DOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Biyoteknoloji, Biyokimya, Biyoistatistik, Biotechnology, Biochemistry, Biostatistics
- Anahtar Kelimeler: Biyolojik etkileşim, Genetik-biyokimyasal, Görüntü işleme-bilgisayarlı, Moleküler genetik, Yapay zeka, İmmünofloresan, Biological interaction, Genetics-biochemical, Image processing-computer assisted, Molecular genetic, Artificial intelligence, Immunofluorescence
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoenformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Proteinlerin subselüler yerleşimleri (SY) bilgisi, ilaç geliştirme, sistem biyolojisi, proteomik ve fonksiyonel genomik alanlarında önemlidir. Deneysel çalışmalarla ilişkilendirilen yüksek maliyetler nedeniyle, proteinlerin SY'lerini doğru bir şekilde tahmin edecek için hesaplamalı sistemleri geliştirmek gerekli hale gelmiştir. Farklı biyolojik veri türlerinin (örneğin, biyomoleküler diziler, biyomedikal görüntüler, yapılandırılmamış metinler vb.) araştırmacılar için kolayca erişilebilir hale gelmesi, tahminlerin hem performansını hem de kapsamını artırmak için tamamlayıcı veri türlerinden yararlanma olasılığı sunmuştur. Bu çalışmada, protein SY'lerini çok modlu derin öğrenme ile tahmin etmek için HoliLoc adlı yeni bir yöntem önerilmiştir. Yaklaşımımız, protein dil modellerini, çizge öğrenme tekniklerini ve evrişimli ve ileri beslemeli sinir ağlarını kullanarak, 22 farklı kompartıman için proteinlerin SY'lerini tahmin etmek için üç farklı veri türünden yararlanır (2D konfokal mikroskopi görüntüleri, amino asit dizileri ve protein-protein etkileşimleri). Sistem, uçtan uca bir şekilde eğitildi ve performanslar daha önce görülmeyen test veri setinde hesaplandı. Her biri tek bir veri tipini kullanan bireysel modellerin test performansı ortalama 0.18 makro F1 puanı ve 0.55 doğrulukta iken, HoliLoc'un (3 modalitenin birleşimi) gözlemlenen ortalama test performansı 0.26 makro F1 puanı ve 0.60 doğruluk olarak tespit edildi. Bu sonuçlar, önerilen çoklu modlu öğrenme yaklaşımının başarısını göstermektedir. Literatürde mevcut SY tahmincilerine karşı yaptığımız karşılaştırmaya göre, HoliLoc oldukça rekabetçi bir performans sergilemektedir. HoliLoc, yaşam bilimleri araştırmacılarına, ilgilendikleri proteinin subselüler yerleşimlerini doğru bir şekilde tahmin ederek laboratuvar deneyleri için gereken maliyeti ve zamanı azaltacak açık erişimli bir programlama aracı olarak sunulmaktadır.
Özet (Çeviri)
Knowledge of subcellular localization (SL) of proteins is essential for drug development, systems biology, proteomics, and functional genomics. Due to the high costs associated with experimental studies, it has become crucial to develop computational systems to accurately predict proteins' SLs. With different modes of biological data (e.g., biomolecular sequences, biomedical images, unstructured text, etc.) becoming readily available to ordinary scientists, it is possible to leverage complementary types of data to increase both the performance and coverage of predictions. In this study, we propose HoliLoc, a new method for predicting protein SLs via multi-modal deep learning. Our approach makes use of three different types of data (i.e., 2D confocal microscopy images, amino acid sequences, and protein protein interactions – PPIs) to predict SLs of proteins in a multi-label manner for 22 different cell compartments using protein language models, graph embeddings and convolutional and feed forward neural networks. The system was trained in an end to-end manner, and the performances were calculated on the unseen hold-out test dataset. The average test performance of individual models (each using a single data type) was 0.18 (macro F1-score) and 0.55 (accuracy), whereas for HoliLoc (the fusion of 3 modalities) it was observed to be 0.26 (F1-score) and 0.60 (accuracy), indicating the effectiveness of the multi-modal learning approach proposed. According to our comparison against state-of-the-art SL predictors, HoliLoc displays highly competitive performance. HoliLoc is distributed as an open-access programmatic tool, which is anticipated to benefit life science researchers by reducing the cost and time required for wet-lab experiments by accurately predicting the SLs of the protein of interest in advance.
Benzer Tezler
- Farklı kaynaklarda aminopeptidazların dağılımının incelenmesi ve spesifikliklerinin belirlenmesi
Distribution and specificity of aminopeptidases from various sources
EHSAN MONİRİ TORAGAY
- Proteome analysis of Blumeria graminis f. sp. hordei inoculated barley
Blumeria graminis f. sp. hordei ile enfekte edilmiş arpanın proteomik analizi
NEŞE ÖZGAZİ
Yüksek Lisans
İngilizce
2009
BiyoteknolojiOrta Doğu Teknik ÜniversitesiBiyoteknoloji Ana Bilim Dalı
PROF. DR. MAHİNUR AKKAYA
YRD. DOÇ. DR. ASLIHAN GÜNEL
- Polikistik over sendromu ve insülin direnci olan infertil kadınların granüloza hücrelerinde USF1 ve USF2 ekspresyonunun araştırılması
Investigation of USF1 and USF2 expression in granulosa cells of infertile women with polycystic ovary syndrome and insulin resistance
SEVDENUR EKİNCİ
Yüksek Lisans
Türkçe
2026
Histoloji ve EmbriyolojiSivas Cumhuriyet ÜniversitesiTıbbi Histoloji ve Embriyoloji Ana Bilim Dalı
PROF. DR. CELAL KALOĞLU
- HMOB2'nin kanser tedavisindeki prediktif rolünün deşifre edilmesi
Describing the predictory role of hMOB2 in cancer treatment
YUSUF TOY
- Otofaji -ER stres etkileşiminin meme kanseri hücrelerinin proliferasyonu ve metastazı üzerindeki etkilerinin araştırılması
Investigation of the effects of autophagy-ER stress interaction on proliferation and metastasis of breast cancer cells
SONA EMİNOVA
Yüksek Lisans
Türkçe
2024
Tıbbi BiyolojiNecmettin Erbakan ÜniversitesiTıbbi Biyoloji Ana Bilim Dalı
PROF. DR. HATİCE GÜL DURSUN