ارائه مدلی کارآمد بهمنظور پیشبینی پپتیدهای ضدمیکروبی با استفاده از الگوریتمهای هوش مصنوعی
نویسندگان
1 گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران
2 گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران.
3 گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران
4 گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران
5 گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران.
doi
10.22103/jab.2024.23466.1571چکیده
هدف: هدف از انجام این تحقیق پیشنهاد یک الگوریتم کارآمد بهمنظور پیشبینی پپتیدهای ضدمیکروبی با استفاده از الگوریتمهای هوش مصنوعی میباشد. مواد و روشها: در این تحقیق، ابتدا یک مجموعه داده پپتیدهای ضدمیکروبی و پپتیدهای فاقد فعالیت ضدمیکروبی به روز شامل ویژگیهای فیزیکوشیمیایی در سطح اسیدهای آمینه و توالی پروتئین در سه گونه حیوانی و انسان استخراج گردید. پس از کاوش دادهها و مراحل پیشپردازش داده، چهار روش یادگیری با نظارت شامل الگوریتم درخت تصمیمگیری ، الگوریتم جنگل تصادفی، الگوریتم بیز ساده و الگوریتم ماشین بردار پشتیبان بر روی مجموعه داده پپتیدهای ضدمیکروبی و پپتیدهای فاقد فعالیت ضدمیکروبی با اعتبارسنجی متقابل 10 برابری برای ساخت مدلها و پیشبینی برچسب پپتیدهای ضدمیکروبی با استفاده از معیارهای ارزیابی اختصاصی بودن، حساسیت، نرخ صحت، معیار دقیق بودن، نرخ کامل بودن، معیار اف و سطح زیر منحنی راک ارزیابی گردید. نتایج: در این تحقیق با استفاده از یک مجموعه داده بهروز، یک مدل یادگیری ماشین. با موفقیت برای پیشبینی پپتیدهای ضدمیکروبی آموزش داده شده است. مجموعه جامعی از ویژگیهای تحت انتخاب ویژگی قرار گرفتهاند تا ویژگیهای کلیدی پپتیدهای ضدمیکروبی را شناسایی کنند. پس از انتخاب ویژگی، در میان مدلهای مختلف تولید شده، مدل مبتنی بر طبقهبندی کننده مدل جنگلتصادفی با نرخ صحت (95 درصد)، معیاردقیق بودن (96 درصد)، نرخ کامل بودن (95 درصد) و معیار اف (95 درصد)، بهترین عملکرد را نشان داد. از چهار الگوریتم دستهبندی، الگوریتم جنگل تصادفی و ماشین بردار پشتیبان بیشترین دقت را دارند. و الگوریتم دستهبند درخت تصمیمگیری کمترین دقت را داشت. نتیجهگیری: با توجه به نتایج به دست آمده مدل پیشنهادی جنگل تصادفی عملکرد بهتری نسبت به سایر مدلها برای پیشبینی پپتیدهای ضدمیکروبی دارد، این مدل برخی از پپتیدها را بهعنوان پپتید با خاصیت ضدمیکروبی پیشبینی کردند. این رویکرد پیشبینی میتواند در استخراج پپتیدهای ضدمیکروبی از کتابخانههای پپتیدهای ضدمیکروبی در کاربردهای بالینی مفید قبل از حرکت به مطالعات تجربی مفید باشد. از سوی دیگر، چندین ویژگی در ویژگیهای انتخابی نهایی نشان میدهد که این ویژگیها تعیینکننده حیاتی خواص پپتیدها هستند و باید در توسعه مدلهایی برای پیشبینی فعالیت پپتیدها در نظر گرفته شوند. کد اجرایی در فایل پیوست موجود است.