DeepPTM: پیشبینی اصلاح پس از ترجمه پروتئین از توالی پروتئین با ترکیب مدل زبان پروتئین عمیق با ترانسفورماتورهای بینایی
| عنوان | DeepPTM: پیشبینی اصلاح پس از ترجمه پروتئین از توالی پروتئین با ترکیب مدل زبان پروتئین عمیق با ترانسفورماتورهای بینایی |
|---|---|
| نویسنده | سفر، امره، سویلو، نکلا نساء |
| تاریخ انتشار: | 2024-02-01 |
| محل انتشار | - علم بنتام |
| موضوع | بیوانفورماتیک، مدل زبان پروتئینی، یادگیری عمیق، ترانسفورماتورهای بینایی، اصلاح پس از ترجمه، ProtBERT |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 1574-8936 |
| شماره ثبت | 3e32eda5-0f6d-4ac6-a804-358baed58a1e |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2024-02-01 |
| یادداشتها | TÜBİTAK |
| متن نمونه | مقدمه جدیدتر مدلهای زبان عمیق تحت نظارت خود، مانند بازنماییهای رمزگذار دوطرفه از ترانسفورماتورها (BERT)، بهترین عملکرد را در برخی از وظایف زبانی با متنسازی جاسازیهای کلمه برای نمایش پویا بهتر انجام دادهاند. نسخههای پروتئینی خاص آنها، مانند ProtBERT، جاسازیهای توالی پروتئین پویا را ایجاد کردند که منجر به عملکرد بهتر برای چندین کار بیوانفورماتیک شد. علاوه بر این، تعدادی از تغییرات مختلف پروتئین پس از ترجمه در وظایف سلولی مانند توسعه و تمایز برجسته هستند. آزمایشهای بیولوژیکی کنونی میتوانند این تغییرات را شناسایی کنند، اما در مدت زمان طولانیتر و با هزینه قابلتوجهی. روشها در این مقاله، برای درک دقیق و سریعتر فرآیندهای بیولوژیکی همراه، ما DEEPPTM را پیشنهاد میکنیم تا مکانهای اصلاح پس از ترجمه پروتئین (PTM) را از توالیهای پروتئین به طور موثرتر پیشبینی کنیم. متفاوت از روشهای فعلی، DEEPPTM عملکرد پیشبینی اصلاح را با ادغام جاسازیهای پروتئینی تخصصی مبتنی بر ProtBERT با ترانسفورماتورهای بینایی مبتنی بر توجه (ViT) افزایش میدهد و ارتباط بین انواع مختلف اصلاح و محتوای توالی پروتئین را نشان میدهد. علاوه بر این، میتواند چندین تغییر مختلف را بر روی گونههای مختلف استنباط کند. نتایج AUCهای ROC انسان و موش برای پیشبینی تغییرات سوکسینیلاسیون به ترتیب 0.793 و 0.661 بود، پس از اعمال اعتبار متقاطع 10 برابری. به طور مشابه، ما امتیازهای 0.776، 0.764 و 0.734 ROC AUC را در استنباط مکانهای ubiquitination، crotonylation و glycation به دست آوردهایم. با توجه به آزمایشهای محاسباتی دقیق، DEEPPTM زمان صرف شده در آزمایشهای آزمایشگاهی را کاهش میدهد در حالی که از روشهای رقیب و همچنین خطوط پایه در استنباط هر 4 سایت اصلاح پیشی میگیرد. در مورد ما، روشهای یادگیری عمیق مبتنی بر توجه مانند ترانسفورماتورهای بینایی برای یادگیری از ویژگیهای ProtBERT نسبت به تکنیکهای یادگیری عمیق سنتیتر و یادگیری ماشینی مطلوبتر به نظر میرسند. نتیجهگیری علاوه بر این، مدل ProtBERT ویژه پروتئین نسبت به تعبیههای BERT اصلی برای کارهای پیشبینی PTM مؤثرتر است. کد و مجموعه داده های ما را می توانید در https://github.com/seferlab/deepptm پیدا کنید. |
| DOI | 10.2174/0115748936283134240109054157 |
| Cilt | 19 |
