Derin öğrenme yöntemi ile protein ikincil yapı tahmini

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.