Residue Adjacency Matrix Based Feature Engineering for Predicting Cysteine Reactivity in Proteins.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Reaktif azot ve oksijen türlerinden oluşan serbest radikaller, hücresel bileşenlerle tehlikeli bir şekilde reaksiyona girebilir ve diyabet, kanser, Parkinson ve kalp hastalıklarının patogeneziyle ilişkilidir. Sistein amino asitleri, reaktif doğaları nedeniyle, bu serbest radikaller tarafından oksidasyona eğilimlidir. Proteinler içinde hangi sisteinlerin oksitlendiğini belirlemek, bu kronik hastalıkları anlamamız için çok önemlidir. Hangi sisteinlerin oksitlendiğini belirlemek için diferansiyel alkilasyon gibi ıslak laboratuvar teknikleri genellikle pahalı ve zaman alıcıdır. Makine öğrenimini, oksidatif yeteneklere sahip sisteinleri tanımlamak için hızlı ve ucuz bir yaklaşım olarak kullanıyoruz. Sınıflandırmada kullanılmak üzere orijinal RAMmod ve RAMseq özelliklerini oluşturduk. Ayrıca PROPKA, SASA, PSS ve PSSM gibi tanınmış özellikleri de bünyemize kattık. Algoritmamız sadece çalışması için protein dizisini gerektirir; ancak, ek özellik çıkarma için 3D koordinatları elde etmek için MODELLER tarafından şablon eşlemesini kullanıyoruz. N6C üzerinde RAM'de ortalama %22,04 MCC oranında bir iyileşme oldu. İstatistiksel olarak 0,015 p değeri ile anlamlıydı. RAM, PSSM üzerinde 0,040 p değeri ve ortalama 70,09% iyileştirme MCC ile önemli bir artış sağladı.

Özgün kaynak özetini okuyun

Free radicals that form from reactive species of nitrogen and oxygen can react dangerously with cellular components and are involved with the pathogenesis of diabetes, cancer, Parkinson's, and heart disease. Cysteine amino acids, due to their reactive nature, are prone to oxidation by these free radicals. Determining which cysteines oxidize within proteins is crucial to our understanding of these chronic diseases. Wet lab techniques, like differential alkylation, to determine which cysteines oxidize are often expensive and time-consuming. We utilize machine learning as a fast and inexpensive approach to identifying cysteines with oxidative capabilities. We created the original features RAMmod and RAMseq for use in classification. We also incorporated well-known features such as PROPKA, SASA, PSS, and PSSM. Our algorithm requires only the protein sequence to operate; however, we do use template matching by MODELLER to acquire 3D coordinates for additional feature extraction. There was a mean improvement of RAM over N6C by 22.04% MCC. It was statistically significant with a p-value of 0.015. RAM provided a significant increase over PSSM with a p-value of 0.040 and an average 70.09% improvement MCC.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.