Derin öğrenme yöntemi ile protein ikincil yapı tahmini

Abstract

Protein yapısı tahmini, biyoinformatik alanındaki çalışmaların merkezi bir odak noktası olmuştur. Son yıllarda, proteinin yapısal bilgisini tahmin etmek için karmaşık makine öğrenmesi ve ardından derin öğrenme yöntemleri gibi birçok istatistiksel yöntem kullanılmıştır. Protein, canlı organizmaların önemli bir parçası olduğundan, protein yapısını ve işlevini anlamak ve değerlendirmek çok önemli hale gelmektedir. Proteinler, amino asit adı verilen yapı taşlarından oluşmaktadır. Protein yapısı büyük ölçüde birincil yapı olarak bilinen amino asit dizileri tarafından belirlenmesine rağmen, protein yapısını tek başına bu dizilerden tahmin etmek zordur. Dolayısıyla, sekanslardan protein ikincil yapı tahmini, proteinin üç boyutlu yapısının tahmini için önemli bir adımdır. Protein ikincil yapı tahmin çalışmalarında birçok yaklaşım kullanılmıştır. Bununla birlikte, günümüze kadar, literatürdeki tekniklerin hiçbiri tam olarak doğru bir sonuç verememiştir, bu da çalışmayı daha zorlu kılmaktadır. Bu tezde, CB513 veri setini kullanarak, derin öğrenme yaklaşımlarından, CNN, RNN, LSTM ve GRU kullanımına ilişkin karşılaştırmalı bir çalışma sağlanmaya çalışılmıştır. Çalışmada ayrıca her bir yaklaşımın performansı analiz edilmiş ve literatürdeki benzer çalışmalarla karşılaştırılmıştır. Bu çalışmada protein ikincil yapının tahmini için geliştirilen CNN, RNN, LSTM ve GRU modelleri sırasıyla %82,54, %81,06, %81,10, %81,48 başarı oranı elde etmiştir.

Protein structure prediction has been a central focus of study in Bioinformatics. In the past few decades, many statistical methods, such as complex machine learning, followed by deep learning methods have been applied to estimate structural information of protein. Since protein is a significant part of living-organisms, understanding and assessing protein and its functions becomes crucial. Proteins are made by building block, called amino acid. Although protein structure is largely determined by amino acid sequences, known as primary structure, it is difficult to predict protein structure from those sequences alone. Thus, protein secondary structure prediction from the sequences is an important step for the estimation of protein three- dimensional structure. Many approaches have been employed onto protein secondary structure prediction studies. However, up to present days, none of the available techniques in literature is able to provide a fully accurate result, which makes the study more challenging. By using CB513 dataset, this thesis attempts to provide a comparative study of the use of deep learning approaches, CNN, RNN, LSTM and GRU. In the study, the performance of each approach was analyzed and compared with the similar studies in literature. The models, CNN, RNN, LSTM and GRU, developed for protein secondary structure prediction in this study achieved %82,54, %81,06, %81,10, %81,48 accuracy.