Molekulyar biologiya fanidan tayyorlagan

1.1 Tegishli usullar

Protein homologiyasini aniqlash va tasniflash uchun bir nechta usullar taklif qilingan, bunda muvaffaqiyatli usullarning aksariyati profil ketma-ketligi yoki profil profilini moslashtirishga asoslangan. Avvalgi usullardan ba'zilari yashirin Markov modellari (HMM) [ 10 ], PSI-BLAST [ 11 , 12 ], COACH [ 13 ] va HHsearch [ 14 ]. Strukturaviy axborotdan foydalanadigan boshqa usullar PROSPECT [ 15 ] va ProfNet [ 16 ]. Profile Comparer [ 17 ], shuningdek, protein oilalarining HMM profilini moslashtiradigan va masofaviy homologiya munosabatlarini yaxshi taniydigan ball sxemasi. Bundan tashqari, so'nggi yillarda mashhur statistik mashinani o'rganish vositasi [ 18 , 19 ] sifatida qo'llab-quvvatlovchi vektor mashinalari (SVM) dan foydalanish natijasida kelib chiqadigan protein tasnifida ishlashning sezilarli darajada yaxshilanishiga guvoh bo'ldi . Misollar, SVM-Pairwise [ 20 ], ballar usulini birlashtirgan HMMlar [ 21 ] va SVM bilan profil profilini moslashtirish [ 22 ]. Bundan tashqari, mahalliy tekislash yadrolari [ 23 ], profilga asoslangan to'g'ridan-to'g'ri yadrolar [ 24 ], SVM-SK [ 25 ] va klaster yadrolari [ 26 ] kabi bir nechta yadro usullari .] oxir-oqibat oqsillarni tasniflashda yordam beradigan uzoqdan homologiyani aniqlashning yanada kuchli usullarini ishlab chiqish taklif qilindi. Bundan tashqari, manfiy bo'lmagan matritsa faktorizatsiyasi (NMF) kabi xususiyatlarni ajratib olishning yangi usulini profil-profilni tekislash xususiyatlariga qo'llash katlamni aniqlash samaradorligini sezilarli darajada oshirdi [ 27 ].

Yuqori samaradorlikka qaramay, profilga asoslangan SVM usullari bitta muhim kamchilikka ega - keng qamrovli o'qitish talabi. Bu muammoni yengish uchun oddiyroq va umumiy algoritmlar izlandi [ 28 ]. Rankprot [ 26 ] da [ 29 ] da xabar qilingan masofaviy profil usullariga qo'shimcha ravishda, juft oqsil ketma-ketligi o'xshashliklaridan foydalangan holda oddiy taqqoslash jarayoni taklif qilindi. SCOOP yondashuvi [ 30 ] ikkita Pfam HMM profili qidiruv natijalari o'rtasidagi umumiy ketma-ketlik mosligini ko'rib chiqdi va protein superoilasi munosabatlarini aniqlashda HHsearch kabi ishlab chiqilgan usullardan yaxshiroq ishladi.

Yuqorida aytib o'tilgan usullarning ko'pchiligi oqsil ketma-ketligini moslashtirishga tayangan bo'lsa-da, ba'zi tadqiqotchilar e'tiborini tekislashsiz yondashuvlardan foydalangan holda konotoksin superfamiliyalarini tasniflashga qaratdilar. Mondal va boshqalar. [ 8 ] etuk konotoksinning asosiy ketma-ketligi asosida konotoksin oqsillarini tegishli superfamiliyalarga tasniflash uchun bir nechta nazariy yondashuvlardan foydalangan. Ular psevdo-aminokislotalar tarkibi (PseAAC) tushunchasini o'z ichiga olgan [ 31 ]] peptidlarni oddiy aminokislotalar tarkibi bilan birga ketma-ketlik-tartib effektini o'z ichiga olgan matematik tizimda ifodalash. Qutblilik indeksi atributi - qoldiq sirtining ko'milishi, qutblanish va gidropatiya kabi kodlash ma'lumotlari ketma-ketlik tartibi effektini saqlash uchun ishlatilgan. Vakillik keyinchalik ko'p toifali SVMlar, ISort (Intimate Sorting) bashoratchisi [ 32 ], eng kam masofali algoritmlar [ 33 , 34 ] va bir nechta ikkilik yondashuv [ 35 ] kabi bir nechta tasniflagichlar bilan birgalikda foydalanilgan. -dam olish (1-vr) SVMlar. IDQD deb nomlangan yana bir usul yaqinda Hao Lin va boshqalar tomonidan ishlab chiqilgan. [ 9], ko'p sinfli SVM-larga o'xshash xususiyatlarni ajratib olish yondashuvidan foydalanadi. Biroq, SVM o'rniga tasniflash usuli sifatida o'zgartirilgan Mahalanobis diskriminati bilan birgalikda xilma-xillikni oshirishning yangi algoritmi ishlatilgan. Bunday holda, xilma-xillik qiymatining tegishli o'sishi minimal bo'lsa, ketma-ketlik ma'lum bir konotoksin superoilasiga a'zo bo'lishi taxmin qilinadi.