درک دقیق عملکرد آنزیم‌ها با یک چارچوب محاسباتی مبتنی بر یادگیری عمیق

پژوهشگران “مؤسسه علم و فناوری پیشرفته کره” (KAIST) در مطالعه اخیرشان یک “چارچوب محاسباتی مبتنی بر یادگیری عمیق” (deep learning-powered computational framework ) توسعه داده اند که قادر به پیش بینی عدد گروه آنزیم‌ها است.

به گزارش ایسنا و به نقل از ساینس دیلی، پژوهشگران کره‌ای در مطالعه اخیرشان اظهار کرده‌اند یک چارچوب محاسباتی موسوم به “دیپ ای سی” (DeepEC) توسعه داده‌اند که امکان پیش بینی کیفیت “عدد گروه آنزیم” (enzyme commission numbers) را که برای شناخت دقیق عملکرد آنزیم ضروری است، فراهم می‌کند.

یک تیم از پژوهشگران مؤسسه علم و فناوری پیشرفته کره که شامل دکتر “جای یانگ ریو” (Jae Yong Ryu)، پروفسور “هیون یوک” (Hyun Uk) و پرفسور “سنگ یاپ لی” ()Sang Yup Lee بودند در مطالعه‌ای جدید یک چارچوب محاسباتی مبتنی بر یادگیری ماشینی توسعه داده‌اند که عدد گروه آنزیم را با دقت بالا پیش بینی می‌کند.

عدد گروه آنزیم نوعی طبقه‌بندی آنزیم‌ها بر اساس واکنشی است که آن را کاتالیز می‌کنند. کمیسیونی که در سال ۱۹۵۵ در بروکسل برای نامگذاری و طبقه‌بندی آنزیم‌ها تشکیل شده بود این روش را پیشنهاد کرده است. روش دیگر، نامگذاری آنزیم‌ها بر اساس ساختمان شیمیایی آنهاست.

چارچوب محاسباتی “دیپ ای سی” (DeepEC) دنباله پروتئین را به عنوان یک ورودی گرفته و به طور دقیق اعداد گروه آنزیم را به عنوان خروجی پیش بینی می‌کند. آنزیم‌ها پروتئین‌هایی هستند که واکنش‌های بیوشیمیایی را کاتالیز می‌کنند و اعداد گروه آنزیم شامل چهار سطح (a.b.c.d) هستند که نشان دهنده واکنش‌های بیوشیمیایی است. بنابراین شناسایی اعداد گروه آنزیم برای بررسی دقیق توابع آنزیم و متابولیسم حیاتی است.

اعداد گروه آنزیم معمولاً به توالی پروتئینی که آنزیم را در طول یک روش نشانه گذاری ژنوم رمزگذاری می‌کنند، داده می‌شود. با توجه به اهمیت اعداد گروه آنزیم، چندین ابزار پیش بینی اعداد گروه آنزیم توسعه داده شده است، اما در حال حاضر پژوهشگران در حال توسعه ابزارهای پیشرفته‌ای هستند.

دیپ ای سی از سه “شبکه عصبی پیچشی یا همگشتی” (CNNs) که به عنوان یک موتور اصلی برای پیش بینی اعداد گروه آنزیم عمل می‌کند، استفاده کرده است.

شبکه‌های عصبی پیچشی یا همگشتی رده‌ای از شبکه‌های عصبی ژرف هستند که معمولاً برای انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین استفاده می‌شوند.

شبکه‌های عصبی پیچشی به منظور کمینه کردن پیش‌پردازش‌ها از گونه‌ای از” پرسپترونهای” (Perceptron) چندلایه استفاده می‌کنند. به جای شبکه عصبی پیچشی گاهی از این شبکه‌ها با نام شبکه‌های عصبی تغییرناپذیر با انتقال (shift invariant) یا تغییرناپذیر با فضا (space invariant) هم یاد می‌شود.

دیپ ای سی از یک مجموعه استاندارد طلایی که شامل ۱ میلیون و ۳۸۸ هزار و ۶۰۶ توالی پروتئین و ۴ هزار و۶۶۹ اعداد گروه آنزیم بود، توسعه یافت.

پژوهشگران در انتها افزودند: دیپ ای سی می‌تواند به عنوان یک ابزار مستقل و همچنین به عنوان یک جز نرم افزار شخص ثالث در ترکیب با سایر سیستم عامل‌های کامپیوتری که واکنش‌های متابولیکی را بررسی می‌کنند، مورد استفاده قرار گیرد.

یافته‌های این مطالعه در مجله” PNAS “منتشر شد.

انتهای پیام

دیدگاهتان را بنویسید

نام پیوند *
ایمیل *
وبلاگ

*

code