پيشگويي انعطاف‌پذيري ساختارهاي پروتئيني با استفاده ماشين بردار پشتيبان

Flexibility Prediction of Protein Structures Using Support Vector Machine

اهداف: اطلاعات موجود در ساختمان پروتئين ها براي درك چگونگي فعاليت آنها بسيار مفيد است. انعطاف پذيري يكي از مهم ترين فاكتورهاي ساختماني مرتبط با عملكرد پروتئين ها است. دانش درباره انعطاف پذيري ساختارهاي پروتئيني، كمك بزرگي به كيفيت پيشگويي ساختمان پروتئين ها و درك عملكرد پروتئين ها مي كند. مطالعه حاضر با هدف بررسي پيش گويي انعطاف پذيري ساختارهاي پروتئيني با استفاده از ماشين بردار پشتيبان انجام شد.مواد و روش ها: در مطالعه حاضر از يك مجموعه داده متعادل 95 پروتئيني استفاده شد. ويژگي هاي استفاده شده در مطالعه حاضر براي مدل كردن اسيدآمينه ها، يك بردار 33 بعدي را تشكيل داد. برخي از آنها از لغزاندن پنجره اي به طول 17 با مركزيت اسيدآمينه هدف روي زنجيره پروتئين به دست آمده اند و برخي تنها مربوط به اسيدآمينه هدف بودند. براي تعريف فاكتور انعطاف پذيري، ويژگي هاي مبتني بر اطلاعات حاصل از تغييرات زواياي دووجهي، استفاده شد. اين اطلاعات براي هر اسيدآمينه با درنظرگرفتن موقعيت هر اسيدآمينه به تنهايي و براي جفت اسيدآمينه هاي مجاور در يك پنجره هفده تايي محاسبه و براي پيشگويي از روش ماشين بردار پشتيبان استفاده شد.يافته ها: ميزان صحت 73/1%، معيار f 71% دقت 73% و حساسيت 73/2% به دست آمد. برتري قابل قبول روش پيشنهادي در مقايسه با روش هاي موجود تاييد شد. نمايش زاويه اي هر پروتئين توانست به خوبي خصوصيات و ويژگي هاي ساختار سه بعدي پروتئين را نشان دهد.نتيجه گيري: ميزان صحت 73/1%، معيار f 71% دقت 73% و حساسيت 73/2% است و بهترين نگاه به بحث انعطاف پذيري، نگاه زاويه اي است. نمايش زاويه اي هر پروتئين مي تواند به خوبي خصوصيات و ويژگي هاي ساختار سه بعدي پروتئين را نشان دهد.

Aims : Information of the protein structure is essential to understand the protein functions. Flexibility is one of the most important characteristics related to protein functions. Knowledge about flexibility of the protein structures can be helpful to improve protein structure prediction and comprehend their function. This study was conducted with the aim of investigating the flexibility prediction of protein structures, using support vector machine. Materials & Methods In this study, a balanced dataset containing 95 proteins was used. The features used in the present study for modeling amino acids formed a 33-dimensional vector. Some of them were obtained by crawling a window with the length of 17 focusing on the target amino acid on the protein chain, and some were only related to the target amino acid. To define the flexibility factor, the characteristics based on the information derived from the twodimensional angular variations was used. The information was calculated for each amino acid by considering the position of each amino acid alone and for the adjacent amino acid pairs in a seventeenth window, and the support vector machine method was used for prediction. Findings The accuracy was 73.1%, F-measure was 71%, precision was 73%, and sensitivity was 73.2%. Acceptable superiority of the proposed method was confirmed in comparison with the current methods. The angular representation of each protein was able to accurately demonstrate the 3D characteristics and properties of the protein structure. Conclusion The accuracy is 73.1%, F-measure is 71%, precision is 73%, and sensitivity is 73.2% and angular aspect is the best descriptor for flexibility prediction. Angular representation of each protein can accurately reflect the 3D characteristics and properties of the protein structure.