بهبود تخمین اثر بیولوژیکی ملکول‌های مهارکننده پروتئین کیناز، با استفاده از شبکه عصبی و مینیمم خطای جزئی

مقدمه: پروتئین کیناز عامل ایجاد بسیاری از بیماری‌ها از جمله سرطان است؛ بنابراین مهار آن ها در درمان بسیاری از بیماری‌ها نقش بسزایی ایفا می‌کند. کشف داروهای جدید با روش‌های آزمایشگاهی، از جمله موضوعات هزینه بردار و زمان‌بر می‌باشد؛ یافتن مدل‌های محاسباتی قابل اطمینان برای شناسایی مهار‌کننده‌ها می‌تواند هزینه‌ها را به حداقل برساند. هدف از این مطالعه به کار‌گیری روش شبکه عصبی جهت طبقه‌بندی ترکیبات در دو گروه فعال و غیر فعال و مدل رگرسیون خطی مینیمم خطای جزئی به منظور تخمین میزان اثر بیولوژیکی آن‌ها است.روش: در این پژوهش، پس از استخراج توصیفگرها از داده‌ها، به منظور جلوگیری از بیش برازش مدل‌ها، کاهش ابعاد داده از طریق الگوریتم ژنتیک صورت پذیرفت. همچنین جهت طبقه‌بندی داده‌ها در کلاس فعال و غیر فعال از مدل شبکه عصبی و جهت تخمین مقادیر اثر بیولوژیکی ریزملکول‌ها از مدل رگرسیون خطی مینیمم خطای جزئی استفاده شد.نتایج: نتایج نشان داد بعد از کاهش بعد توصیفگرهای ملکولی، صحت مدل شبکه عصبی از 74/45% به 86/7% تغییر یافت. این مدل در تعداد گره‌های لایه پنهان برابر با 6، صحت 86/7%، حساسیت 83/4%، اختصاصی بودن 89/6% و ضریب همبستگی متیو 73/2% را ارائه می‌دهد. مدل رگرسیون خطی مینیمم خطای جزئی نیز با میزان همبستگی متوسط 85/8% مقادیر بیولوژیکی را تخمین می‌زند.نتیجه‌گیری: مدل طبقه‌بندی شبکه عصبی و مدل رگرسیون خطی مینیمم خطای جزئی تا میزان قابل قبولی می‌توانند مهارکننده‌های پروتئین کیناز را پیش‌بینی کنند و الگوریتم کاهش بعد ژنتیک عملکرد این مدل‌ها را بهبود می‌بخشد.

Improving biological activity prediction of protein kinase inhibitors using artificial neural network and partial least square methods

Introduction: Protein kinase causes many diseases, including cancer; therefore, inhibiting them plays an important role in the treatment of many diseases. Traditional discovery inhibitors of this enzyme is a timeconsuming and costly process. Finding a reliable computeraided drug discovery tools which can detect the inhibitors will reduce the cost. In this study, it is attempted to separate kinase inhibitors into two groups, active and inactive, using artificial neural network and finally predict biological activities of the predicted active compounds by partial least square .Method: In this study, after extracting the molecular descriptors in order to avoid overfitting problem, dimensional reduction was applied using Genetic algorithm. Moreover, artificial neural network was applied to distinguish active compounds from inactive ones and the biological activities of the small molecules were predicted using partial least square linear regression.Results: The results show that accuracy of the Neural networkmodel was improved from 74.45% to 86.7%, after reducing molecular descriptor dimensions. . The number of hidden nodes of this model was six with 86.7% accuracy, 83.4% sensitivity, 89.6% specificity and 73.2% Mathewchr('39')s correlation coefficient. Moreover the partial least square linear regression model predicts the biological activity valuesby 85.8% correlation.Conclusion: The Neural network model and the partial least square linear regression model can sufficiently predict Kinase inhibitors and Genetic algorithm will improve the models performance