Yazar
Sefer, Emre, Soylu, Necla Nisa
Basım Tarihi
2024-02-01
Basım Yeri
-
Bentham Bilimi
Konu
Biyoinformatik, Protein dil modeli, Derin öğrenme, Görme transformatörleri, Çeviri sonrası modifikasyon, ProtBERT
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
1574-8936
Kayıt Numarası
3e32eda5-0f6d-4ac6-a804-358baed58a1e
Lokasyon
Bilgisayar Bilimi
Tarih
2024-02-01
Notlar
TÜBİTAK
Örnek Metin
Giriş Transformatörlerden Çift Yönlü Kodlayıcı Gösterimleri (BERT) gibi daha yeni, kendi kendini denetleyen derin dil modelleri, daha iyi bir dinamik gösterim için sözcük yerleştirmeleri bağlamsallaştırarak bazı dil görevlerinde en iyi performansı göstermiştir. ProtBERT gibi proteine özgü versiyonları, dinamik protein dizisi yerleştirmeleri oluşturdu ve bu da çeşitli biyoinformatik görevlerde daha iyi performans sağladı. Ayrıca, gelişme ve farklılaşma gibi hücresel görevlerde bir takım farklı proteinlerin translasyon sonrası modifikasyonları da ön plana çıkmaktadır. Mevcut biyolojik deneyler bu modifikasyonları tespit edebilir, ancak daha uzun bir süre içinde ve önemli bir maliyetle. Yöntemler Bu yazıda, eşlik eden biyolojik süreçleri kısa ve daha hızlı bir şekilde kavramak için, protein dizilerinden protein translasyon sonrası modifikasyon (PTM) bölgelerini daha verimli bir şekilde tahmin etmek için DEEPPTM'yi öneriyoruz. Mevcut yöntemlerden farklı olarak DEEPPTM, özel ProtBERT bazlı protein yerleştirmelerini dikkat bazlı görüş transformatörleri (ViT) ile entegre ederek modifikasyon tahmin performansını artırır ve farklı modifikasyon türleri ile protein dizisi içeriği arasındaki ilişkileri ortaya çıkarır. Ek olarak, farklı türler üzerinde birkaç farklı modifikasyon olduğu sonucunu çıkarabilir. Sonuçlar Süksinilasyon modifikasyonlarını tahmin etmek için insan ve fare ROC AUC'leri, 10 kat çapraz doğrulama uygulandığında sırasıyla 0,793 ve 0,661 idi. Benzer şekilde, ubikuitinasyon, krotonilasyon ve glikasyon bölgelerinin çıkarılmasında sırasıyla 0,776, 0,764 ve 0,734 ROC AUC skorları elde ettik. Ayrıntılı hesaplamalı deneylere göre DEEPPTM, laboratuvar deneylerinde harcanan zamanı azaltırken, rakip yöntemlerin yanı sıra 4 modifikasyon bölgesinin tamamının çıkarılmasında temel çizgilerden daha iyi performans gösteriyor. Bizim durumumuzda, görüntü transformatörleri gibi dikkat temelli derin öğrenme yöntemleri, ProtBERT özelliklerinden öğrenmeye, geleneksel derin öğrenme ve makine öğrenme tekniklerine göre daha uygun görünmektedir. Sonuç Ek olarak, proteine özgü ProtBERT modeli, PTM tahmin görevleri için orijinal BERT yerleştirmelerinden daha etkilidir. Kodumuz ve veri kümelerimiz https://github.com/seferlab/deepptm adresinde bulunabilir.
DOI
10.2174/0115748936283134240109054157
Cilt
19
