التنبؤ وتحليل تعديلات الحمض النووي الريبي (RNA) والبروتين من خلال الجمع بين نماذج لغة البروتين العميقة والمحولات
| العنوان | التنبؤ وتحليل تعديلات الحمض النووي الريبي (RNA) والبروتين من خلال الجمع بين نماذج لغة البروتين العميقة والمحولات |
|---|---|
| المؤلف | صويلو، نكلا نيسا |
| تاريخ النشر: | 2024 |
| الموضوع | الذكاء الاصطناعي، التعلم العميق (التعلم الآلي)، التعلم الآلي، معالجة اللغات الطبيعية (علوم الكمبيوتر) |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | 60a99c1e-1a8f-418d-ac91-c25a4e4b92c2 |
| موقع المكتبة | قسم الذكاء الاصطناعي |
| التاريخ | 2024 |
| نص عينة | أدى العمل الأخير على نماذج اللغة إلى أداء متطور في المهام اللغوية المختلفة. ومن بين هذه البرامج، ركزت تمثيلات التشفير ثنائية الاتجاه من المحولات (BERT) على وضع سياق تضمينات الكلمات لاستخراج سياق الكلمات ودلالاتها. بالإضافة إلى ذلك، أنتجت إصداراتها الخاصة بالبروتين مثل ProtBERT تضمينات تسلسلية بروتينية ديناميكية مما أدى إلى أداء أفضل للعديد من مهام المعلوماتية الحيوية. من ناحية أخرى، يعد تعديل الحمض النووي الريبي (RNA) بعد النسخ 2'-O-methylation (Nm) وعدد من تعديلات ما بعد الترجمة المختلفة للبروتين بارزًا في المهام الخلوية ويرتبط بعدد من الأمراض. التقنيات التجريبية عالية الإنتاجية الحالية تستغرق وقتاً أطول للكشف عن هذه التعديلات، ومكلفة في استكشاف هذه العمليات الوظيفية. هنا، لفهم العمليات البيولوجية المرتبطة بها بعمق بشكل أسرع، توصلنا إلى طريقتين فعالتين: الأولى هي BERT2OME لاستنتاج مواقع تعديل RNA 2'-O-methylation من تسلسلات RNA والثانية هي DEEPPTM للتنبؤ بمواقع تعديل البروتين بعد الترجمة (PTM) من تسلسلات البروتين بشكل أكثر كفاءة. يجمع BERT2OME بين النموذج القائم على BERT والشبكات العصبية التلافيفية (CNN) لاستنتاج العلاقة بين مواقع التعديل ومحتوى تسلسل الحمض النووي الريبي (RNA). على عكس الطرق المقترحة حتى الآن، يفترض BERT2OME كل تسلسل RNA معين كنص ويركز على تحسين أداء التنبؤ بالتعديل من خلال دمج نموذج اللغة القائم على التعلم العميق المدرب مسبقًا BERT. بالإضافة إلى ذلك، يمكن لنهجنا القائم على المحولات أن يستنتج مواقع التعديل عبر أنواع متعددة. وفقًا للتحقق المتبادل بخمسة أضعاف، كانت دقة الإنسان والماوس 99.15% و94.35% على التوالي. وبالمثل، كانت درجات ROC AUC 0.99 و0.94 لنفس النوع. تظهر النتائج التفصيلية أن BERT2OME يقلل من الوقت المستهلك في التجارب البيولوجية ويتفوق على الأساليب الحالية عبر مجموعات البيانات والأنواع المختلفة عبر مقاييس متعددة. بالإضافة إلى ذلك، تعد أساليب التعلم العميق مثل شبكات CNN ثنائية الأبعاد أكثر واعدة في تعلم سمات BERT من طرق التعلم الآلي التقليدية. يختلف DEEPPTM عن الطرق الحالية، حيث يعزز أداء التنبؤ بالتعديل من خلال دمج تضمينات البروتين المتخصصة المستندة إلى ProtBERT مع محولات الرؤية القائمة على الاهتمام (ViT)، ويكشف عن الارتباطات بين أنواع التعديل المختلفة ومحتوى تسلسل البروتين. بالإضافة إلى ذلك، يمكن استنتاج عدة تعديلات مختلفة على الأنواع المختلفة. كانت AUCs البشرية والماوسية للتنبؤ بتعديلات Succinylation 0.988 و0.965 على التوالي، بمجرد تطبيق التحقق المتبادل 10 أضعاف. وبالمثل ، لقد حصلنا على 0.982 و 0.955 و 0.953 من درجات ROC AUC في استنتاج مواقع التواجد في كل مكان والكروتونيل والجليكشن على التوالي. وفقًا للتجارب الحسابية التفصيلية، يقلل برنامج DEEPPTM من الوقت المستغرق في التجارب المعملية بينما يتفوق في الأداء على الأساليب المنافسة وكذلك خطوط الأساس في استنتاج مواقع التعديل الأربعة جميعها. في حالتنا، تبدو أساليب التعلم العميق القائمة على الاهتمام مثل محولات الرؤية أكثر ملاءمة للتعلم من ميزات ProtBERT من تقنيات التعلم العميق والتعلم الآلي التقليدية. بالإضافة إلى ذلك، يعد نموذج ProtBERT الخاص بالبروتين أكثر فعالية من تضمينات BERT الأصلية لمهام التنبؤ PTM. Örneğin، Transformatörler'de çift Yönlü Kodlayıcı Gösterimleri (BERT)، kelimelerin bağlamını ve anlamını çıkarma konusuna odaklanmıştır. تم إصدار بروتين ProtBERT gibi من، وهو عبارة عن مجموعة من المعلومات الحيوية التي تم إنشاؤها لتتمكن من سماع أي شيء آخر. نتيجة لذلك، تم تعديل سونراساين النسخ 2'-O-Metilasyon (Nm) RNA وتعديل سونراسايشن نقل البروتين، مما أدى إلى زيادة إنتاجية الخلايا، مما أدى إلى تفاقم المشكلة. hastalıkla ilişkilendirilmiştir. Mevcut yüksek verimli deneysel tekniklerin bu değişiklikleri tespit etmesi hem uzun zaman almakta hem de çok fazla maaliyete gerektirmektedir. Bu alanlarda yapılacak ilgili biyolojik süreçleri daha hızlı hale getirmek ve ilgili konularda daha iyi sonuçlara ulaşmak için iki etkili model tasarladık; مثلًا، RNA dizilerinden 2'-O-metilasyon RNA يعدل جزيئات البروتين في BERT2OME ويعزز عملية تحويل بروتين البروتين (PTM) إلى جزيئات كبيرة جدًا. DEEPPTM'dir. BERT2OME، تم تعديل حجم الحمض النووي الريبوزي (RNA) من خلال إنشاء نماذج جديدة من BERT (CNN). لقد تم تصميمها من قبل BERT2OME، وتأكد من أن تحليلات الحمض النووي الريبي (RNA) قد تم إجراؤها في كابول وتم البدء في تطوير نماذج BERT بالكامل من خلال تعديل أداء الأداء. odaklanır. محول tabanlı bu yaklaşımımız، Birden fazla türün modifikasyon bölgelerini de ortaya çıkarabilmektedir. تم تحقيق أعلى نسبة 5% من الأرباح في كل عام وحققت 99.15% و94.35% من الأرباح. حصل Benzer على نسبة ROC AUC من 0.99 إلى 0.94 نقطة. لقد تعلمنا أن BERT2OME'nin Biologik Deneylerde harcanan süreyi azalttığını و Birden Fazla Allçüm üzerinden Farklı veri kumelieri ve türler genelinde mevcut yaklaşımlardan daha iyi Performances gosterdiğini kanıtlamaktadır. علاوة على ذلك، تم إنشاء 2 قناة CNN'ler gibi derin yaklaşımları، بيرت ozelliklerinin öğrenilmesinde daha geleneksel makine öğrenme öntemlerine göre daha umut vericidir. من خلال تصميم نماذج أخرى لـ DEEPPTM، تم تطوير بروتينات ProtBERT، وهي بروتينات تحتوي على بروتينات تحويلية (ViT)، وهي تعديلات كاملة على أداء البروتينات، وتعديلات جذرية للبروتينات. dizisi içeriği arasındaki ilişkileri ortaya çıkarmıştır. Süksinilasyon modifikasyonlarını tahmin etmek için ve fare ROC AUC'leri, 10 katmanlı çapraz doğrulama uygulandığında sırasıyla 0.988 ve 0.965 sonuçlarını vermiştir. Benzer şekilde, ubikuitinasyon, krotonilasyon ve glikasyon bölgelerinin çıkarılmasında sırasıyla 0.982, 0.955 و 0.953 ROC AUC skorları elde edilmiştir. تم تصميم نماذج DEEPPTM للتحويلات التي تم تصميمها من قبل العديد من الخريجين، وقد تم تصميم ProtBERT من قبل شركة ProtBERT للحصول على مزيد من المعلومات والتقنيات المتطورة. üstün bir Performances sergilemiştir. يتم استخدام بروتينات بروتينية مثل نماذج ProtBERT، ويتم استخدام PTM في نماذج BERT من خلال نماذج أخرى. |
