دوره 9، شماره 8 - ( آبان 1394 1394 )                   جلد 9 شماره 8 صفحات 20-13 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Salari A, Razavi S M, Ebrahimi M. Designing Prediction Models to Determine the Structure of Stearoyl-Acyl Carrier Protein Desaturase 1. Qom Univ Med Sci J 2015; 9 (8) :13-20
URL: http://journal.muq.ac.ir/article-1-231-fa.html
سالاری علی، رضوی سیدمرتضی، ابراهیمی منصور. طراحی مدل‌های پیش‌بینی، جهت تعیین ساختار ‌آنزیم استریول آسیل کریر پروتئین دیسچوراز 1. مجله دانشگاه علوم پزشکی قم. 1394; 9 (8) :13-20

URL: http://journal.muq.ac.ir/article-1-231-fa.html


1- دانشگاه علوم پزشکی قم
2- دانشگاه خوارزمی
3- دانشگاه قم ، mansoureb@chmail.ir
چکیده:   (6408 مشاهده)

زمینه و هدف: اسیدهای چرب ضروری مانند آلفا لینولئیک اسید به‌عنوان یک امگا-3 و آلفا لینولئیک اسید به‌عنوان یک امگا-6 در سلول‌های انسانی تولید نمی‌شوند. بنابراین، به‌وسیله منابع غذایی مانند ماهی، روغن سویا، دانه کتان و دانه‌های آفتابگردان تأمین می‌شوند. مراحل تولید آلفا لینولئیک اسید توسط 6 آنزیم صورت می‌گیرد که یکی از آنها آسیل کریر پروتئین دیسچوراز است. این مطالعه با هدف طراحی مدل‌های پیش‌بینی جهت تعیین ساختار ارگانیزمی ‌آنزیم استریول آسیل کریر پروتئین دیسچوراز 1 انجام شد. روش بررسی: تعدادی از ابزارهای بیوانفورماتیک جهت تعیین مهم‌ترین مشخصه‌های ژنی آنزیم آسیل کریر پروتئین دیسچوراز به جهت توسعه مدل‌های پیش‌بینی ارگانیزمی اجرا شد. سپس از تکنیک‌های داده‌کاوی مانند (Feature selection, Decision tree, Classification models) در جهت تولید الگوریتم‌های پیش‌بینی دقیق و کارآمد برپایه خصوصیات ژنی آنزیم (S-ACP-DES1) از ارگانیزم‌های مختلف استفاده شد. یافته‌ها: مهم‌ترین متغیر ژنی در تشخیص ساختارهای ارگانیزمی‌ آنزیم (S-ACP-DES1)، فراوانی طول بوده است. همچنین مدل‌های پیش‌بینی طراحی‌شده نشان داد مدل Naive Bayse با معیار FCdb با دقت 38/97% می‌تواند ارگانیزم آنزیم‌های جدید را براساس خصوصیات ژنی پیش‌بینی کند. دو یافته فوق برای اولین بار در این مطالعه گزارش شدند. نتیجه‌گیری: نتایج این مطالعه نشان داد با استفاده از ابزارهای بیوانفورماتیکی می‌توان به‌سهولت نسبت به دسته‌بندی آنزیم DESA1 براساس ارگانیزم آن اقدام کرد و متغیر طول ژن‌ها، بهترین شاخص برای این دسته‌بندی است. همچنین بهترین ماشین یادگیری مدل Baysian درNaive Bayse با دقت بالای 38/97% جهت تعیین آنزیم DESA1 برای اولین بار در این مطالعه گزارش شد.

متن کامل [PDF 403 kb]   (2083 دریافت)    
نوع مطالعه: مقاله پژوهشي | موضوع مقاله: داخلی
دریافت: 1394/11/24 | پذیرش: 1394/12/2 | انتشار: 1394/12/2

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله دانشگاه علوم پزشکی قم می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق
© 2025 CC BY-NC 4.0 | Qom University of Medical Sciences Journal

Designed & Developed by : Yektaweb