Zero- and few-shot dark kinase–phosphosite prediction via task-aware protein embeddings
Göreve duyarlı protein gömüleriyle sıfır- ve az-örnekli karanlık kinaz–fosfosit tahmini
- Tez No: 972445
- Danışmanlar: DOÇ. DR. ÖZNUR TAŞTAN OKAN, DOÇ. DR. RAMAZAN GÖKBERK CİNBİŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hücre içi sinyal iletimini çözümlemek ve hastalık mekanizmalarını anlamak için kinazların substrat fosfositlerine doğru bir şekilde eşleştirilmesi önemli bir problemdir. Yüksek verimli deneysel teknikler fosfositleri belirleyebilse de, bir fosfositin fosforilasyonunu katalizleyen kinazı bulmak zordur. Bu nedenle, deneysel olarak tespit edilen insan fosfositlerinin %95'ten fazlası kinaz anotasyonundan yoksundur. Kinaz–fosfosit ilişkisinin denetimli çok sınıflı bir sınıflandırma problemi olarak formüle edilmesi mümkündür fakat insan kinazlarının büyük bir kısmı az çalışılmıştır. Karanlık kinazlar adı verilen bu kinazlar için ya çok az fosfosit yeri vardır ya da hiç yoktur; dolayısıyla karanlık kinazlar geleneksel denetimli öğrenme yöntemlerinin kapsamında yer alamaz. Bu tezde, kinaz–fosfosit ilişkilendirmesini sıfır-örnekli (zero-shot) ve az-örnekli (few-shot) öğrenme problemleri olarak ele alıyoruz: sıfır-örnek düzeneğinde model, eğitim sırasında hiç görülmemiş kinazlar için ilişki tahmin etmek zorundadır; az-örnek düzeneğinde ise elindeki sınırlı sayıda etiketli örnekten yararlanabilir. Dönüştürücü mimarisine dayalı protein dil modelleri (pDM'ler) kullanarak hem kinaz alanlarını hem de fosfosit peptitlerini gömüyor ve sıkı veri kısıtları altında tam ince ayardan katmanların kısmi yeniden başlatılmasına ve görev-odaklı ön eğitime kadar uzanan alan uyum stratejilerini sistematik olarak araştırıyoruz. İlginç bir şekilde, sıfırdan eğitilmiş bir ESM-1b modeli, tamamen ince ayarlanmış ön eğitimli muadilini geride bırakarak, genel amaçlı pDM gömme yöntemlerinin görev-özgü biyokimyasal bağlamı yakalayamayabileceğini düşündürmektedir. En iyi sonuçlarımızı, kinaz ve fosfosit farkındalıklı pDM'lerin üst dönüştürücü katmanlarının kısmi olarak yeniden başlatılmasıyla elde ettik. DARKIN kıyas setinde, bu yaklaşım sıfır-örnekli ve az-örnekli kinaz tahmininde en iyi performansı sunarak karanlık fosfoproteomu aydınlatmak için umut verici bir yaklaşım olduğunu göstermiştir.
Özet (Çeviri)
Accurately mapping kinases to their substrate phosphosites is fundamental for decoding cellular signaling and understanding disease mechanisms. While high-throughput techniques can identify the phosphosites, finding the kinase that catalyzes the phosphorylation is challenging. Thus, over 95% of experimentally detected human phosphosites lack kinase annotations. It is possible to formulate the kinase-phosphosite association problem as a supervised multi-class classification task; however, a large portion of the human kinases are understudied (dark kinases) and have few or no phosphosites associated with them, thus dark kinases fall outside the reach of conventional supervised learning methods. In this thesis, we formulate kinase–phosphosite association as zero-shot and few-shot learning tasks: in the zero-shot setting, the model must predict associations for kinases never seen during training; in the few-shot setting, it may leverage only a handful of labeled examples. We employ transformer-based protein language models (pLMs) to embed both kinase domains and phosphosite peptides, and we systematically explore domain-adaptation strategies—ranging from full fine-tuning and partial layer re-initialization to task-specific pre-training—under severe data constraints. Surprisingly, a de novo–trained ESM-1b model outperforms its fully fine-tuned pretrained counterpart, suggesting that general purpose pLM embeddings may lack task-specific biochemical context. Our best results are obtained by combining kinase- and phosphosite-aware pLMs with partial re-initialization of upper transformer layers. On the DARKIN benchmark, this approach delivers state-of-the-art performance in both zero-shot and few-shot kinase prediction, offering a promising direction for illuminating the dark phosphoproteome.
Benzer Tezler
- Zero/few-shot dark kinase-phosphosite association prediction with biologically grounded data augmentation
Biyolojik temelli veri artırımıyla sıfır/az örnekli karanlık kinaz–fosfosit ilişkisi tahmini
MERT PEKEY
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZNUR TAŞTAN OKAN
- Güneş yüzeyindeki granülasyon
<thr granulation over the solar surface
CENNET KAYA
Yüksek Lisans
Türkçe
1997
Fizik ve Fizik Mühendisliğiİstanbul Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. GÜLÇİN KANDEMİR
- Zero-shot and few-shot named entity recognition in environmental sciences domain
Çevre bilimleri alanında sıfır-örnekli ve az-örnekli adlandırılmış varlık tanıma
KEREM MERT DEMİRTAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR ARSLAN
- Augmenting clip-based few shot recognition using shapes and concepts
Şekiller ve kavramlar kullanarak clip tabanlı az örnekli tanımayı geliştirme
ERCE GÜDER
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE AKBAŞ
- Deepkinzero: Zero-shot learning for predicting kinase phosphorylation sites
Deepkinzero: Kinaz fosforilasyon yerlerinin sıfır örnek öğrenim ile tahmini
IMAN DEZNABI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. ABDULLAH ERCÜMENT ÇİÇEK
Assist. Prof. Dr. ÖZNUR TAŞTAN OKAN