NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundPost-translasyonel modifikasyon (PTM), proteinleri değiştiren ve bu nedenle çeşitli hücresel faaliyetlerin ve patogenezin düzenlenmesinde yer alan biyolojik bir süreçtir. Protein fosforilasyon önemli bir süreçtir ve en çok çalışılan PTM'lerden biridir: Serine (Ser, S), treonine (Thr, T) veya tirozin (Tyr, Y) kalıntısına bir fosfat grubu eklendiğinde ortaya çıkar. Protein fosforilasyonunun disregülasyonu, en yaygın olarak nörolojik bozukluklar, Alzheimer hastalığı ve Parkinson hastalığı olmak üzere çeşitli hastalıklara yol açabilir; bu nedenle, karakterize edilmemiş bir amino asit dizisinde fosforile edilebilen S / T / Y kalıntılarının tahminini gerekli kılar. Sıralama verilerinin fazlalığına rağmen, mevcut deneysel PTM tahmin yöntemleri zaman alıcı, maliyetli ve hataya eğilimlidir, bu nedenle bunların yerini almak için bir dizi hesaplama yöntemi önerilmiştir. Bununla birlikte, fosforilasyon tahmini, substrat özgüllüğü, performansı ve özelliklerinin çeşitliliği nedeniyle sınırlı kalır.MetodlarBu çalışmada, S / T / Y fosforilasyon alanlarını sınıflandırmak için proteinlerin fizyokokimyasal, dizi, yapısal ve fonksiyonel bilgilerini kullanan makine öğrenme tabanlı tahmincileri önermekteyiz. Zorlu özellik seçimi, minimum fazlalık/maksimum alaka yaklaşımı ve simetrik belirsizlik yöntemi modelleri eğitmek için en bilgilendirici özellikleri çıkarmak için kullanıldı.SonuçlarBu çalışmada farklı özellik türleri kullanılarak oluşturulan RF ve SVM modelleri, farklı istatistiksel ölçümler için iyi değerlerden açıkça görüldüğü gibi son derece doğruydu. Dahası, bağımsız test setleri ve kıyaslama doğrulamaları önerilen yöntemin mevcut yöntemleri açıkça aştığını, protein fosforilasyonunu doğru bir şekilde tahmin etme yeteneğini gösterdiğini gösterdi.Bu çalışmada elde edilen sonuçlar, önerilen hesaplama metodolojisinin, çeşitli biyolojik süreç mekanizmalarının keşfedilmesini daha da kolaylaştırmak için putatif fosforilasyon alanlarının tahmin edilmesinde etkili bir şekilde kullanılabileceğini göstermektedir.
Özgün kaynak özetini okuyun
BackgroundPost-translational modification (PTM) is a biological process that alters proteins and is therefore involved in the regulation of various cellular activities and pathogenesis. Protein phosphorylation is an essential process and one of the most-studied PTMs: it occurs when a phosphate group is added to serine (Ser, S), threonine (Thr, T), or tyrosine (Tyr, Y) residue. Dysregulation of protein phosphorylation can lead to various diseases-most commonly neurological disorders, Alzheimer's disease, and Parkinson's disease-thus necessitating the prediction of S/T/Y residues that can be phosphorylated in an uncharacterized amino acid sequence. Despite a surplus of sequencing data, current experimental methods of PTM prediction are time-consuming, costly, and error-prone, so a number of computational methods have been proposed to replace them. However, phosphorylation prediction remains limited, owing to substrate specificity, performance, and the diversity of its features.MethodsIn the present study we propose machine-learning-based predictors that use the physicochemical, sequence, structural, and functional information of proteins to classify S/T/Y phosphorylation sites. Rigorous feature selection, the minimum redundancy/maximum relevance approach, and the symmetrical uncertainty method were employed to extract the most informative features to train the models.ResultsThe RF and SVM models generated using diverse feature types in the present study were highly accurate as is evident from good values for different statistical measures. Moreover, independent test sets and benchmark validations indicated that the proposed method clearly outperformed the existing methods, demonstrating its ability to accurately predict protein phosphorylation.ConclusionsThe results obtained in the present work indicate that the proposed computational methodology can be effectively used for predicting putative phosphorylation sites further facilitating discovery of various biological processes mechanisms.
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.