Antimicrobial peptide activity prediction using machine learning methods

Antimikrobiyal peptitler (AMP'ler), artan antibiyotik direnç sorununun üstesinden gelmek için geleneksel antibiyotiklerin yerine kullanılabilecek umut verici alternatifler olarak kabul edilmektedir. Hesaplamalı tahmin yaklaşımları, in vitro testlerden önce en iyi aday AMP'leri belirlemek ve tasarlamak için artan bir ilgi görmektedir. Bu tezde, peptitlerin birden çok özelliklerini kullanarak, peptitlerin antimikrobiyal aktivitelerini tahmin edebilen makine öğrenimi yaklaşımları geliştirmeyi amaçladık. Gram negatif ve Gram pozitif bakterilere karşı antimikrobiyal aktivite gösteren peptidler için iki ayrı veri seti oluşturduk. İlk çalışmamızda peptitlerin on farklı fiziko-kimyasal özelliği hesaplanmış ve peptidlerin özniteliği olarak kullanılmıştır. Veri keşfi ve veri ön işleme adımlarının ardından, 100-katlı Monte Carlo Çapraz Doğrulama ile çeşitli sınıflandırma modelleri oluşturuldu; ve bu modellerin performansı değerlendirildi. İkinci çalışmada, AMP-GSM adlı yeni bir yöntem önerdik. Yöntem, üç ayrı veri seti için test edildi ve AMP-GSM'nin tahmin performansı, çeşitli öznitelik seçim yöntemleri ve çeşitli sınıflandırıcılar ile karşılaştırmalı olarak değerlendirildi. Son çalışmada, Gram pozitif ve Gram negatif bakterilere karşı aktivite modelleriyle motif eşleştirme skorunu kullanarak yeni peptidler yarattık ve bu peptidlerin hedef seçiciliklerini tahmin ettik. Bu tezde sunulan çalışmalar, peptidlerin olası antimikrobiyal etkilerini tahminlemeyi ve ıslak laboratuvar ortamlarında AMPleri dizayn etmeyi kolaylaştırarak hesaplamalı araştırma alanını ilerletmektedir.