دوره 14، شماره 3 - ( خرداد 1399 )
جلد 14 شماره 3 صفحات 63-54 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ahsan R, Ebrahimi M. Identification of Heat-Resistant Bacteria Based on Selection of Proper Representation of Protein Sequences Using Deep Learning Approach. Qom Univ Med Sci J 2020; 14 (3) :54-63
URL: http://journal.muq.ac.ir/article-1-2704-fa.html
URL: http://journal.muq.ac.ir/article-1-2704-fa.html
احسن رضا، ابراهیمی منصور. شناسایی باکتری های مقاوم به گرما بر اساس انتخاب بازنمایی مناسب از توالی پروتئین با استفاده از رویکرد یادگیری عمیق. مجله دانشگاه علوم پزشکی قم. 1399; 14 (3) :54-63
رضا احسن1 
، منصور ابراهیمی* 2
، منصور ابراهیمی* 2
1- دانشکده فنی و مهندسی، دانشگاه قم
2- گروه زیستشناسی، دانشکده علوم پایه، دانشگاه قم ،mansour@future.edu
2- گروه زیستشناسی، دانشکده علوم پایه، دانشگاه قم ،
چکیده: (2752 مشاهده)
زمینه و هدف: شناسایی مکانیزمهای موثر در مقاومت باکتریها به گرما جهت ایجاد سویههای مقاوم به گرما در صنایعی از جمله صنایع غذایی، ساخت منسوجات و بهخصوص در صنایع تولیدکننده مواد شوینده، بسیار حائز اهمیت میباشد. بهاین منظور، از ابزارهای یادگیری عمیق برای شناسایی خصوصیات باکتریهای مقاوم به گرما بر اساس خصوصیات پروتئینی استفاده گردید.
روش بررسی: برخی از خصوصیات پروتئینهای مقاوم و غیر مقاوم به گرما از قبیل ویژگیهای ساختاری اسیدآمینه ها، تعداد و فرکانس هر اسیدآمینه و خصوصیات فیزیکوشیمیایی آنها محاسبه گردیدند. مجموعه دادهها جهت رده بندی باکتریها، در سه مرحله انجام شد: ابتدا از مدلهای وزندهی برای شناسایی متغیرهای مهم استفاده شده و سپس آنها انتخاب شده و نهایتا با استفاده از شبکه یادگیری عمیق نسبت به استخراج سلسله مراتب ویژگیها اقدام گردید.
یافتهها: نتایج ده روش وزندهی نشان دادند که از بین 73 خصوصیات تعداد و فرکانس اسیدهای آمینه، تنها 40 ویژگی، وزن بالاتر از صفر داشتند. از این تعداد، 13 ویژگی، وزن بالاتر از ۰.۵ را کسب کرده و تنها 10 ویژگی میانگین وزن اختصاص داده به آنها بالاتر از 0.09 بوده است. این ده ویژگی به عنوان متغیرهای مهم انتخاب شدند. ویژگیهای فرکانس گلوتامین و فرکانس اسیدگلوتامیک بیشترین وزن را اخذ کرده و به عنوان دو خصوصیت مهم در ردهبندی باکتریهای مقاوم و غیرمقاوم بهگرما معرفی شدند. بیشترین دقت ردهبندی باکتریهای مقاوم بهگرما در رویکرد سوم برابر 92.42% بدست آمد.
نتیجهگیری: شبکههای عصبیعمیق با استخراج سلسله مراتب ویژگیها، میتواند بهخوبی باکتریهای مقاوم بهگرما را بر اساس خصوصیات پروتئینی آنها شناسایی کند.
روش بررسی: برخی از خصوصیات پروتئینهای مقاوم و غیر مقاوم به گرما از قبیل ویژگیهای ساختاری اسیدآمینه ها، تعداد و فرکانس هر اسیدآمینه و خصوصیات فیزیکوشیمیایی آنها محاسبه گردیدند. مجموعه دادهها جهت رده بندی باکتریها، در سه مرحله انجام شد: ابتدا از مدلهای وزندهی برای شناسایی متغیرهای مهم استفاده شده و سپس آنها انتخاب شده و نهایتا با استفاده از شبکه یادگیری عمیق نسبت به استخراج سلسله مراتب ویژگیها اقدام گردید.
یافتهها: نتایج ده روش وزندهی نشان دادند که از بین 73 خصوصیات تعداد و فرکانس اسیدهای آمینه، تنها 40 ویژگی، وزن بالاتر از صفر داشتند. از این تعداد، 13 ویژگی، وزن بالاتر از ۰.۵ را کسب کرده و تنها 10 ویژگی میانگین وزن اختصاص داده به آنها بالاتر از 0.09 بوده است. این ده ویژگی به عنوان متغیرهای مهم انتخاب شدند. ویژگیهای فرکانس گلوتامین و فرکانس اسیدگلوتامیک بیشترین وزن را اخذ کرده و به عنوان دو خصوصیت مهم در ردهبندی باکتریهای مقاوم و غیرمقاوم بهگرما معرفی شدند. بیشترین دقت ردهبندی باکتریهای مقاوم بهگرما در رویکرد سوم برابر 92.42% بدست آمد.
نتیجهگیری: شبکههای عصبیعمیق با استخراج سلسله مراتب ویژگیها، میتواند بهخوبی باکتریهای مقاوم بهگرما را بر اساس خصوصیات پروتئینی آنها شناسایی کند.
نوع مطالعه: مقاله پژوهشي |
موضوع مقاله:
آمار
دریافت: 1398/10/12 | پذیرش: 1399/4/3 | انتشار: 1399/4/10
دریافت: 1398/10/12 | پذیرش: 1399/4/3 | انتشار: 1399/4/10
فهرست منابع
1. 1. Zhang C, Zheng G, Xu SF, Xu D. Computational challenges in characterization of bacteria and bacteria-host interactions based on genomic data. J Comput Sci Technol 2012;27(2):225-39. Link [DOI:10.1007/s11390-012-1219-y]
2. Banerjee AK, Ravi V, Murty US, Sengupta N, Karuna B. Application of intelligent techniques for classification of bacteria using protein sequence-derived features. Appl Biochem Biotechnol 2013;170(6):1263-81. PMID: 23657902 [DOI:10.1007/s12010-013-0268-1]
3. Berezovsky IN, Shakhnovich EI. Physics and evolution of thermophilic adaptation. Proc Natl Acad Sci U S A 2005;102(36):12742-7. PMID: 16120678 [DOI:10.1073/pnas.0503890102]
4. Fujita M, Kanehisa M. Comparative analysis of DNA-binding proteins between thermophilic and mesophilic bacteria. Genome Inform 2005;16(1):174-81. PMID: 16362920
5. Angermueller C, Pärnamaa T, Parts L, Stegle O. Deep learning for computational biology. Mol Syst Biol 2016;12(7):878. PMID: 27474269 [DOI:10.15252/msb.20156651]
6. Yosinski J, Clune J, Bengio Y, Lipson H. How transferable are features in deep neural networks? Advances in neural information processing systems. Vancouver: Neural Information Processing Systems location; 2014. P. 3320-8. Link
7. Xiong HY, Alipanahi B, Lee LJ, Bretschneider H, Merico D, Yuen RK, et al. The human splicing code reveals new insights into the genetic determinants of disease. Science 2015;347(6218):1254806. PMID: 25525159 [DOI:10.1126/science.1254806]
8. Leung MK, Xiong HY, Lee LJ, Frey BJ. Deep learning of the tissue-regulated splicing code. Bioinformatics 2014;30(12):i121-9. PMID: 24931975 [DOI:10.1093/bioinformatics/btu277]
9. Alipanahi B, Delong A, Weirauch MT, Frey BJ. Predicting the sequence specificities of DNA-and RNA-binding proteins by deep learning. Nature Biotechnol 2015;33(8):831-8. PMID: 26213851 [DOI:10.1038/nbt.3300]
10. Zhou J, Troyanskaya OG. Predicting effects of noncoding variants with deep learning-based sequence model. Nat Methods 2015;12(10):931-4. PMID: 26301843 [DOI:10.1038/nmeth.3547]
11. Zhou J, Theesfeld CL, Yao K, Chen KM, Wong AK, Troyanskaya OG. Deep learning sequence-based ab initio prediction of variant effects on expression and disease risk. Nat Genet. 2018;50(8):1171-1179. PMID:30013180 [DOI:10.1038/s41588-018-0160-6]
12. Ahsan R, Ebrahimi M. Image processing techniques represent innovative tools for comparative analysis of proteins. Comput Biol Med 2020;117:103584. PMID: 32072976 [DOI:10.1016/j.compbiomed.2019.103584]
13. Paloheimo M, Mäntylä A, Kallio J, Puranen T, Suominen P. Increased production of xylanase by expression of a truncated version of the xyn11A gene from Nonomuraea flexuosa in Trichoderma reesei. Appl Environ Microbiol 2007;73(10):3215-24. PMID: 17384308 [DOI:10.1128/AEM.02967-06]
14. Yang HM, Yao B, Meng K, Wang YR, Bai YG, Wu NF. Introduction of a disulfide bridge enhances the thermostability of a Streptomyces olivaceoviridis xylanase mutant. J Ind Microbiol Biotechnol 2007;34(3):213-8. PMID: 17139507 [DOI:10.1007/s10295-006-0188-y]
15. Yang HM, Yao B, Fan YL. Recent advances in structures and relative enzyme properties of xylanase. Sheng Wu Gong Cheng Xue Bao 2005;21(1):6-11. PMID: 15859321
16. Ebrahimie E, Ebrahimi M. Searching for patterns of thermostability in proteins and defining the main features contributing to enzyme thermostability through screening, clustering, and decision tree algorithms. EXCLI 2009;8:218-33. Link
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
حق تالیف (کپی رایت) برای مولفان محفوظ است.
صاحب امتیاز: دانشگاه علوم پزشکی قم
ناشر: انتشارات دانشگاه علوم پزشکی قم
شاپا چاپی: 7799-1375
شاپا الکترونیک: 1375-2008
ایمیل مجله: journal@muq.ac.ir
j.muq.ac@gmail.com
