NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Sumolasyon, gen ifadesi, proteinlerin lokalizasyonu ve stabilizasyonu ve genomun çoğaltılması gibi birçok kritik biyolojik süreci içeren bir translasyon sonrası modifikasyon (PTM) mekanizmasıdır. Dahası, sumolasyon alanları Parkinson ve Alzheimer dahil olmak üzere farklı hastalıklarla ilişkilidir. Biyolojik süreçteki hayati rolü nedeniyle, proteinlerdeki sumolasyon alanlarının tanımlanması, protein fonksiyonlarının izlenmesi ve birden fazla hastalığın keşfedilmesi için önemlidir. Bu nedenle, literatürde, geleneksel ML yöntemlerini kullanan birkaç hesaplama modeli, sumolasyon sitelerini sınıflandırmak için tanıtıldı. Bununla birlikte, bu modeller, geleneksel öğrenme yöntemleriyle ilişkili içsel sınırlamalar nedeniyle sumolasyon sitelerini doğru bir şekilde sınıflandıramaz. Bu makale, verimli özellik temsil yöntemleri ile derin öğrenme algoritmasına dayanan sumolasyon sitelerini tahmin etmek için sağlam bir hesaplama modeli (Deep-Sumo olarak adlandırılır) önermektedir. Önerilen model, bir özellik vektöründeki protein dizilerini temsil etmek için yarım küre pozlama yöntemini kullanır. Ana Bileşen Analizi gürültülü ve gereksiz özellikleri ortadan kaldırarak ayrımcı özellikleri ayıklamak için uygulanır. Ayrımcı özellikler, sumolasyon sitelerini doğru bir şekilde tahmin etmek için çok katmanlı bir Derin Sinir Ağı (DNN) modeline verilir. Önerilen modelin performansı, çeşitli istatistiksel tabanlı performans ölçüm ölçümleri dikkate alınarak 10 kat çapraz doğrulama testi kullanılarak kapsamlı bir şekilde değerlendirilir. Başlangıçta, önerilen DNN geleneksel öğrenme algoritması ile karşılaştırılır ve daha sonra Deep-Sumo'nun performansı mevcut modellerle karşılaştırılır. Onaylama sonuçları, önerilen modelin mevcut modellere kıyasla iyileşme ile birlikte ortalama %96,47'lik bir doğruluk bildirdiğini göstermektedir. Önerilen modelin, ilaç keşfi ve çoklu hastalıkların teşhisi için etkili bir araç olarak kullanılabileceği tahmin edilmektedir.
Özgün kaynak özetini okuyun
Sumoylation is a post-translation modification (PTM) mechanism that involves many critical biological processes, such as gene expression, localizing and stabilizing proteins, and replicating the genome. Moreover, sumoylation sites are associated with different diseases, including Parkinson's and Alzheimer's. Due to its vital role in the biological process, identifying sumoylation sites in proteins is significant for monitoring protein functions and discovering multiple diseases. Therefore, in the literature, several computational models utilizing conventional ML methods have been introduced to classify sumoylation sites. However, these models cannot accurately classify the sumoylation sites due to intrinsic limitations associated with the conventional learning methods. This paper proposes a robust computational model (called Deep-Sumo) for predicting sumoylation sites based on a deep-learning algorithm with efficient feature representation methods. The proposed model employs a half-sphere exposure method to represent protein sequences in a feature vector. Principal Component Analysis is applied to extract discriminative features by eliminating noisy and redundant features. The discriminant features are given to a multilayer Deep Neural Network (DNN) model to predict sumoylation sites accurately. The performance of the proposed model is extensively evaluated using a 10-fold cross-validation test by considering various statistical-based performance measurement metrics. Initially, the proposed DNN is compared with the traditional learning algorithm, and subsequently, the performance of the Deep-Sumo is compared with the existing models. The validation results show that the proposed model reports an average accuracy of 96.47%, with improvement compared with the existing models. It is anticipated that the proposed model can be used as an effective tool for drug discovery and the diagnosis of multiple diseases.
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.