DeepPTM: التنبؤ بتعديل البروتين بعد الترجمة من تسلسل البروتين من خلال الجمع بين نموذج لغة البروتين العميق ومحولات الرؤية
| العنوان | DeepPTM: التنبؤ بتعديل البروتين بعد الترجمة من تسلسل البروتين من خلال الجمع بين نموذج لغة البروتين العميق ومحولات الرؤية |
|---|---|
| المؤلف | سيفر، إمري، صويلو، نكلا نيسا |
| تاريخ النشر: | 2024-02-01 |
| مكان النشر | - علم بنثام |
| الموضوع | المعلوماتية الحيوية، نموذج لغة البروتين، التعلم العميق، محولات الرؤية، تعديل ما بعد الترجمة، بروتبيرت |
| النوع | دورية |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 1574-8936 |
| رقم السجل | 3e32eda5-0f6d-4ac6-a804-358baed58a1e |
| موقع المكتبة | علوم الكمبيوتر |
| التاريخ | 2024-02-01 |
| ملاحظات | توبيتاك |
| نص عينة | مقدمة حققت نماذج اللغة العميقة الحديثة الخاضعة للإشراف الذاتي، مثل تمثيلات التشفير ثنائية الاتجاه من المحولات (BERT)، أفضل أداء في بعض المهام اللغوية من خلال وضع سياق تضمينات الكلمات للحصول على تمثيل ديناميكي أفضل. أنتجت إصداراتها الخاصة بالبروتين، مثل ProtBERT، تضمينات تسلسلية بروتينية ديناميكية، مما أدى إلى أداء أفضل للعديد من مهام المعلوماتية الحيوية. علاوة على ذلك، هناك عدد من التعديلات البروتينية المختلفة بعد الترجمة بارزة في المهام الخلوية مثل التطوير والتمايز. يمكن للتجارب البيولوجية الحالية اكتشاف هذه التعديلات، ولكن خلال مدة أطول وبتكلفة كبيرة. الطرق في هذه الورقة، لفهم العمليات البيولوجية المصاحبة بإيجاز وبسرعة أكبر، نقترح تقنية DEEPPTM للتنبؤ بمواقع تعديل البروتين بعد الترجمة (PTM) من تسلسل البروتين بشكل أكثر كفاءة. 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 أنواع مختلفة. وكانت النتائج AUCs الإنسان والماوس ROC للتنبؤ بتعديلات Succinylation 0.793 و0.661 على التوالي، بمجرد تطبيق التحقق المتبادل 10 أضعاف. وبالمثل ، لقد حصلنا على 0.776 و 0.764 و 0.734 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. يمكن العثور على التعليمات البرمجية ومجموعات البيانات الخاصة بنا على https://github.com/seferlab/deepptm. |
| DOI | 10.2174/0115748936283134240109054157 |
| Cilt | 19 |
