پیش‌بینی برهم‌کنش پروتئین-پروتئین بین ویروس و انسان با استفاده از شبکه‌های دوقلوی ناهمگون

عفونت‌های ویروسی بیماری‌هایی هستند که توسط ویروس‌ها پس از ورود به سلول‌های میزبان و بر اثر همانندسازی به وجود می‌آیند. عفونت‌زایی، با ایجاد برهم‌کنش میان پروتئین‌های ویروس و پروتئین‌های سلول‌ میزبان صورت می‌گیرد. از این‌رو، شناسایی این برهم‌کنش‌ها نقش بسزایی در جلوگیری، درمان و کنترل عفونت‌زایی دارد. با توجه به اینکه مطالعات آزمایشگاهی بسیار پر‌هزینه و زمان بر هستند، در سال‌های اخیر محققان با استفاده از روش‌های محاسباتی به پیش‌بینی برهم‌کنش میان پروتئین‌های ویروس و انسان می‌پردازند. هرچند این روش‌ها عملکرد مناسبی دارند، اما یکی از چالش‌های اصلی آن‌ها به‌کارگیری نمایش مناسبی برای پروتئین‌ها است که بتواند اطلاعات ساختاری آن ها را در بر داشته باشد. در این مقاله قصد داریم چارچوبی به نام pbs برای پیش‌بینی برهم‎کنش پروتئین-پروتئین بین ویروس‌ها و انسان ارائه دهیم که از توانایی ترنسفورمرها برای نمایش پروتئین‌ها استفاده می‌نماید. این مدل با به‌کارگیری شبکه‌های عصبی دوقلو ناهمگون فضای نمایش را یکپارچه‌سازی می‌کند و درنهایت برهم‌کنش میان پروتئین‌های ویروس و انسان را مدل می‌نماید. چارچوب pbs با کسب امتیاز acc برابر با 81/41 ٪، امتیاز auc-roc برابر با 87/35٪، امتیاز auc-pr برابر با 87/78٪، امتیاز f1 برابر با 81/58٪ و امتیاز precision برابر با 80/84٪ عملکرد مناسبی از خود نشان می‌دهد. همچنین، توانایی مدل در پیش‌بینی برهم‌کنش‌های بین پروتئین‌های ویروس آنفولانزا h1n1 و انسان به‌عنوان مورد مطالعاتی سنجیده می‌شود.

prediction of human-virus protein-protein interaction using heterogeneous siamese neural network

viral infections represent pathological conditions arising from the intrusion of viruses into host cells and their replication. the onset of infection is intricately tied to the interplay between viral and host cell proteins. thus, elucidating these protein-protein interactions assumes a pivotal role in the encompassing prevention, treatment, and control of viral infections. given traditional laboratory experimentation’s prohibitively high costs and time-intensive nature, researchers have increasingly turned to computational approaches for predicting human-virus protein-protein interactions. despite the performance of these computational approaches, a challenge persists in the need for an effective protein representation that adequately captures their structural intricacies.in this paper, we present pbs, a novel model for the prediction of protein-protein interactions between viruses and humans. pbs leverages the transformers to effectively represent proteins. the model unified the latent space for human and virus proteins through the implementation of heterogeneous siamese neural networks.the model achieves an accuracy score of 81.41%, an area under the roc curve score of 87.35%, an area under the precision-recall curve score of 87.78%, an f1 score of 81.58%, and a precision score of 80.84%. these metrics collectively underscore the satisfactory performance of the pbs model.furthermore, we assess the model’s predictive capabilities in discerning interactions between proteins associated with the h1n1 influenza virus and human proteins.