Protein fold classification and motif retrieval methods by using the primary and secondary structures

Proteinler canlı hayatındaki en temel biyolojik birimlerdir ve canlı vücudundaki bütün biyolojik işlevler proteinler tarafından gerçekleştirilir. Moleküler biyoloji ve genetik alanında yapılan çalışmalar sonucunda çoğu hastalığın protein yapısındaki kusur, hasar ve değişiklikten kaynaklandığı ortaya çıkarılmıştır. Proteinlerin fonksiyonları onların yapıları tarafından belirlenmektedir. Bu nedenle proteinlerin yapı analizi, protein yapılarının karşılaştırılması, benzer yapıların belirlenmesi, motif çıkarımı ve proteinlerin sınıflandırılması moleküler biyoloji açısından önemlidir. Proteinler, amino asitlerin belirli türde, belirli sayıda ve belirli diziliş sırasında karakteristik düz zincirde birbirlerine kovalent bağlanmasıyla oluşmuş polipeptidlerdir. Her proteinin kendisine has özelliklerinin olmasını sağlayan özel amino asit dizilimleri vardır. Protein yapısı, primer, sekonder, tersiyer ve kuaterner olmak üzere dört ayrı şekilde incelenebilir. Tezde proteinin fold düzeyinde sınıflandırılması ve motif çıkarımı olmak üzere iki konu ele alınmıştır. Bu konulara ilişkin çalışmalar yapılırken proteinin primer ve sekonder yapılarına ilişkin öznitelikler kullanılmıştır. Polipeptidin düzenli katlanmalar yapması sekonder yapıyı oluşturmaktadır. Yaygın olarak iki tip sekonder yapı vardır: α-heliks ve β-tabaka. Proteinler sekonder yapı bileşenlerine göre dört ana gruba ayrılmaktadır; all-α, all-β, α/β, α+β. SCOP'a göre bu dört ana sınıf kendi içinde foldlara ayrılırlar. Foldlar sekonder yapıların belirli bir düzene göre katlanmalarından meydana gelen üç boyutlu şekillerdir. Proteinlerin fonksiyonları onların yapıları tarafından belirlendiğinden, aynı yapıya sahip proteinlerin belirlenmesi yani proteinlerin fold seviyesinde sınıflandırılması moleküler biyolojinin önemli çalışmalarından biridir. Proteinlerin fold seviyesinde sınıflandırılması problemi sorgulanan proteinin hangi folda ait olduğunu belirlemektir. Tezde öncelikle proteinlerin fold seviyesinde sınıflandırılması problemi ele alınmakta ve sınıflandırma için yapay sinir ağlarının alt modellerinden olan GAL, SOM ve SOM-SD kullanılmaktadır. GAL ve SOM için primer yapılara ilişkin öznitelikler kullanılırken, SOM-SD için sekonder yapılara ilişkin öznitelikler kullanılmıştır. Proteinlerin fold düzeyinde sınıflandırılması amacı ile kullanılan ilk yöntem büyü ve öğren (GAL) ağıdır. Büyü ve öğren ağında sınıf sınırları en yakın mesafe ölçüsüne göre belirlenmektedir. Giriş vektörü ile ağdaki tüm vektörler arasındaki mesafe hesaplanır. Giriş vektörünün sınıfı, bu vektöre en yakın mesafedeki ağ düğümünün sınıfı olarak belirlenir. Ağın düğüm sayısı eğitim sırasında otomatik olarak belirlenir. Ağın eğitimi öğrenme ve unutma algoritması olarak iki algoritma tarafından gerçekleştirilir. Öğrenme algoritmasında ağa düğüm eklenirken unutma algoritmasında ağın performansını düşürmeyecek olan gereksiz düğümler ağdan çıkarılırlar. Kalan düğümler ile de yeni girişler test edilir. Bu yöntem ile yapılan testlerde eğitim kümesi için 311 test kümesi için 383 olmak üzere protein veri bankasından (PDB) alınan 694 protein kullanılmıştır. Kullanılan öznitelik vektörü 125 boyutludur ve amino asitlere ilişkin fizyokimyasal özellikleri belirtmektedir. Altı adet öznitelik kullanılmıştır: Amino asit kompozisyonu (20D), tahmin edilen sekonder yapı (21D), hidrofobisite (21D), normalize van der Waals hacmi (21D), polarite (21D) ve polarizebilite (21D). Bu öznitelikler ve GAL ağı kullanılarak 27-sınıflı proteinin fold seviyesinde sınıflandırılması problemi ele alınmıştır. Ikinci olarak proteinlerin sınıflandırılması amacı ile SOM ağı (Kohonen ağı) kullanılmıştır. SOM danışmansız bir yapay sinir ağıdır, yarışmacı öğrenme algoritmasını kullanır. Bu yöntemde ağın nöronları aktif edilmek için aralarında yarışırlar ve sonuçta yalnızca bir nöron yarışı kazanır. Buradaki temel hedef herhangi bir boyuttaki giriş sinyal desenini iki boyutlu bir haritaya adaptif bir şekilde dönüştürmektir. Sonrasında ise ağa giriş olarak verilen sorgu proteinlerinin sınıfını belirlemektir. Bu yöntemde yapılan testlerde önce üç sınıflı problem sonrasında bir önceki yöntemde olduğu gibi 27-sınıflı problem ele alınmış ve aynı veri kümesi kullanılmıştır. Proteinin fold düzeyinde sınıflandırılması amacıyla kullanılan üçüncü yöntem SOM-SD'dir. SOM'dan kullandığı veri yapısı nedeniyle farklıdır. SOM-SD girişinde veri olarak grafları kullanan bir yapay sinir ağı modelidir. Bu yöntemde veri yapısı olarak proteinlerin PGI gösterimi kullanılmıştır. PGI, EGI'nın (Extended Gaussian Image) proteinler üzerine uygulanmış halidir. Protein içindeki sekonder yapılar Gauss küresi üzerine, başlangıç noktaları küre merkezine bitiş noktaları küre yüzeyine gelecek şekilde yerleştirilirler. Burada küre yüzeyindeki sekonder yapıların bulunduğu noktalar o sekonder yapının oryantasyon bilgisini içermektedir. Sekonder yapıların zincir sırası küre yüzeyine haritalanan bir liste olarak kaydedilir. PGI gösterimi küre yüzeyindeki noktaların sekonder yapıların sırasına uygun olarak birleştirilmiş halidir. Burada proteinlerin içerisindeki sekonder yapı sayıları farklı olduğundan dolayı ağa giriş verilerinin uzunluğu da farklı olacaktır. SOM-SD ile bu problem ortadan kaldırılmakta ve her bir giriş verisinin uzunluğu eşitlenmektedir. Bu metot PDB'den seçilen üç folda ilişkin 45 protein (her foldda 15 protein) üzerinde test edilmiş ve üç sınıflı, proteinlerin fold düzeyinde sınıflandırılması problemi ele alınmıştır. Tezde ayrıca yukarıda bahsedilen altı öznitelikten hangisinin sınıflandırmada daha baskın olduğunu belirlemek amacıyla testler yapılmıştır. Testler yapılırken daha iyi başarım vermesinden dolayı GAL ağı kullanılmıştır. Öncelikle amino asit kompozisyonu tek başına GAL ağı ile test edilmiş ve sınıflandırma başarımı hesaplanmıştır. Sonrasında amino asit kompozisyonuna ek olarak tahmin edilen sekonder yapı da öznitelik vektörüne eklenmiş ve sınıflandırma başarımı test edilmiştir. Öznitelikler bu şekilde sırasıyla birbirine eklenmiş ve son aşamada altı özniteliğin hepsi kullanılarak sınıflayıcı test edilimiştir. Test sonuçlarına göre proteinlerin sınıflandırılmasında amino asit kompozisyonunun diğerlerine göre daha etkili olduğu ve tek başına bile proteinleri, literatürdekilerle karşılaştırılabilecek düzeyde sınıflandırdığı ortaya çıkarılmıştır. Tez kapsamında, kullanılan öznitelik vektörünün boyutunu sınıflayıcının performansını değiştirmeden azaltmak amacıyla diverjans analizi kullanılmıştır. Diverjans analizi iki veya daha fazla sınıfın söz konusu olduğu problemlerde kullanılan tüm özniteliklerin arasından istenen sayıda, performansı azaltmayan en iyi özniteliklerin seçilmesi amacıyla uygulanır. Diverjans hesaplamada sınıf içi saçılım ve sınıflar arası saçılım, sınıfları ayırma kriteri olarak kullanılmaktadır. Tezde kullanılan veriye diverjans analizi uygulanmış ve GAL ağı ile test edilmiştir. Test sonucu, proteinlerin daha az sayıda öznitelik ile başarım değişmeden sınıflandırılabildiğini göstermiştir. GAL ve SOM ağları kullanılırken sınıflayıcının performansını artırmak amacıyla OvO yöntemi kullanılmıştır. Bu yöntem çok sınıflı problemlerde kullanılan K-sınıflı problemi iki sınıflı probleme indirgeyen bir yöntemdir. Bir sınıf 1. sınıftaki proteinleri içerirken diğer sınıf 1. sınıf dışındaki K-1 sınıfta olan proteinleri içerir. Aynı şekilde bir sınıf 2. sınıftaki proteinleri içerirken diğer sınıf 2. sınıf dışındaki K-1 sınıfta olan proteinlerin tümünü içerir. Bu şekilde K tane 2 sınıflı sınıflandırıcı oluşturulur ve sorgulanan protein K adet sınıflayıcıda ayrı ayrı test edilir. Proteinin fold düzeyinde sınıflandırılmasına ilişkin yapılan testlerde sınıf başarımı hesaplanırken literatürde çoğunlukla kullanılan duyarlılık hesabı kullanılmıştır. Buna göre yapılan testler 27 sınıflı problem için GAL ve SOM'un literatürde kullanılan yöntemlerle karşılaştırılabileceği sonucunu ortaya çıkarmış ve proteinler yüksek bir başarımla sınıflandırılmıştır. Proteinler heliks ve tabaka olmak üzere sekonder yapıların belirli bir sırada dizilimlerinden meydana gelmektedir. Bir yapısal motif ise proteinin belirli küçük bir parçası olup daha az sayıda sekonder yapıdan meydana gelmekte ve aynı motifi içeren farklı proteinler benzer işlevler yapabilmektedirler. Tezde proteinlerin fold düzeyinde sınıflandırılmasından farklı olarak, yapısal blokların karşılaştırılması ile motif çıkarımı konusu da ele alınmıştır. Bunun için Genelleştirilmiş Hough dönüşümü tabanlı üç yöntem önerilmektedir. Genelleştirilmiş Hough dönüşümü, genellikle obje tanımada kullanılmakta ve parametre uzayında oylama işlemine dayanmaktadır. Tez kapsamında kullanılan bu yöntemde amaç, motif çıkarımı için motifin referans noktasının belirlenmesidir. Bu yöntemde motife ilişkin bazı özellikler referans tablosuna kaydedilmekte ve oy verilecek nokta veya koordinatlar referans tablosu elemanları vasıtasıyla hesaplanan özel bir haritalama kuralı uygulanarak belirlenmektedir. Genelleştirilmiş Hough dönüşümü bazlı metotlardan birincisi sekonder yapı teklilerini, ikincisi sekonder yapı ikililerini ve üçüncüsü ise sekonder yapı üçlülerini kullanmaktadırlar. Her üç metot için de motifin geometrik ortası referans noktası olarak belirlenmektedir. Burada amaç motif içindeki sekonder yapılar ile protein içindeki sekonder yapıları karşılaştırıp, oluşturulan haritalama kuralına göre oylama prosedürünü uygulamak ve en fazla oy alan noktayı aday referans noktası olarak belirlemektir. Tekli yöntemde motif içerisindeki her bir sekonder yapı için referans noktasının lokasyonu tanımlanırken, ikili ve üçlü yöntemlerde sırasıyla ikili ve üçlü sekonder yapılar için referans noktasının lokasyonu tanımlanmaktadır. Açı ve mesafe değerleri ile oluşutrulan bu tanımlama haritalama kuralını oluşturmaktadır. Tekli yöntemde haritalama kuralı protein içerisindeki her bir sekonder yapıya uygulanırken ikili ve üçlü yöntemlerde sırasıyla protein ve motif ikililerinin ve üçlülerinin eşleşmesi durumunda uygulanmaktadır. Yöntemleri test etmek amacıyla PDB'den seçilen 1FNB proteini içinden rasgele dört ve beş sekonder yapıdan oluşan iki motif seçilmiş ve her üç yöntem de test edilmiştir. Diğer bir testte PDB'den altı adet protein seçilmiş ve bunlardan üçü dört sekonder yapıdan oluşan, kalan üçü ise beş sekonder yapıdan oluşan motiflerin çıkarımı amacıyla test edilmiştir. Bu kısımda son olarak PDB'den 20 adet protein seçilmiş, bu proteinler içindeki üç, dört ve beş sekonder yapıdan oluşan olası bütün motifler test edilmiştir. Yapılan tüm bu testler, referans noktasının yüksek bir doğrulukla belirlendiğini ve motifin proteinden beklenen sayıda oy alarak çıkarıldığını göstermiştir.