طراحی یک ساختار ترکیبی مبتنی بر یادگیری عمیق به منظور پیش‌بینی جایگاه‌های فسفریلاسیون

فسفریلاسیون مهم‌ترین نوع از تغییرات پس از ترجمه (post-translational modification) است که نقش مهمی در مطالعات عملکرد پروتئین و طراحی تجربی دارد. با توجه به اهمیت فسفریلاسیون در پروتئین‌ها و افزایش روزافزون شمار توالی‌ های پروتئین‌ها در پایگاه‌های داده، نیاز به بهبود روش‌های محاسباتی پیش‌بینی جایگاه‌های فسفریلاسیون، از نظر سرعت و دقت روز به روز با اهمیت‌تر می شود. با اینکه تاکنون ابزارهای پیش‌بینی کننده بسیار زیادی برای پیش‌بینی مکان‌های فسفریلاسیون با استفاده از روش‌های مختلف یادگیری ماشین معرفی گردیده است اما هنوز هم تا ابزار بسیار کارآمد فاصله زیادی است و تلاش‌ها برای دستیابی به چنین ابزاری ادامه دارد.اخیراً، چندین مطالعه ادعا کرده‌اند که روش‎های مبتنی بر یادگیری عمیق بهترین راه برای پیش‌بینی مکان‌های فسفریلاسیون هستند زیرا یادگیری عمیق به عنوان یک روش یادگیری ماشینی پیشرفته می‌تواند به طور خودکار نمایش‌های پیچیده الگوهای فسفریلاسیون را از توالی‌های خام تشخیص دهد و بنابراین ابزاری قدرتمند برای بهبود پیش‎بینی جایگاه فسفریلاسیون ارائه می‌دهد. در این مطالعه، یک ساختار ترکیبی بر اساس روش یادگیری عمیق کانولوشنی (convolutional deep learning) با نام convophos به منظور پیش‌بینی مکان‌های فسفریلاسیون معرفی شده است به گونه‌ای که، بردار ویژگی cksaapair به‌دست آمده از روی توالی‌ها، به‌عنوان ورودی بخشی از طبقه‌بند و تبدیل توالی‌ها به عکس، به‌عنوان ورودی‌ بخش دیگری از شبکه‌های کانولوشنی استفاده شده است. نتایج حاصل از اعتبارسنجی متقابل 10 باره، مقدار صحت 94 درصدی را برای داده‌های phosphosite و auc 90 درصدی را نشان می‌دهد، که در بین سایر روش‌های مقایسه شده بالاترین کارایی را دارد.

designing a hybrid structure based on deep learning to predict phosphorylation sites

phosphorylation is one of the most important types of post-translational modification (ptm) that plays an important role in protein function studies and experimental design. considering the importance of phosphorylation in proteins and the increasing number of protein sequences in the database, the need to improve computational methods for predicting phosphorylation sites becomes more important day by day in terms of speed and accuracy. although many predictive tools have been introduced to predict phosphorylation sites using different machine learning methods, there is still a long way to go to a very efficient tool and efforts to achieve such a tool continue. recent studies have shown that deep learning-based methods are the best approach for predicting phosphorylation sites. this is because deep learning, as an advanced machine learning method, can automatically recognize complex representations of phosphorylation patterns from raw sequences, therefore providing a powerful tool for improved phosphorylation site prediction.in this study, a hybrid structure based on the convolutional deep learning method named convophos has been introduced for predicting phosphorylation sites. in such a way that the cksaapair feature vector obtained from sequences is used as the input for part of the classifier and the conversion of sequences to images, as the input for another part of the convolutional networks.the results of 10-fold cross-validation show an accuracy value of 94% for phosphosite data and an auc of 90%, which is the highest performance compared to the other methods.