İyileştirilmiş klonal seçim algoritması ile hemoglobin proteini ikincil yapı tahmini

Protein ikincil yapının biliniyor olması proteinin işlevinin belirlenmesinde, birçok hastalığın tedavi edilmesinde ve ilaç tasarımında çok önemli avantajlar sağlamaktadır. Laboratuvar ortamında ikincil yapı tespiti hem maliyetli hem de zorlu bir süreçtir. Bu nedenle protein ikincil yapı tahmini, uzun yıllardır biyoinformatik ve hesaplamalı biyolojinin önemli bir çalışma alanıdır. İki aşamalı olan bu çalışmada doğadan ilham alan yöntemler kullanılarak protein ikincil yapı tahminine katkı sağlanması amaçlanmıştır. Birinci aşamada veri, canlı bağışıklık sisteminden esinlenerek modellenen Klonal Seçim Algoritması (KSA) ile eğitilmiştir. KSA'da geleneksel yöntemden farklı olarak, her bir antijene en benzer antikor seçimi yerine, toplam benzerlikleri dikkate alınarak seçim yapılmıştır. İkinci aşamada farklı yöntemler kullanılarak sınıflandırma yapılmıştır. Biyolojik sinir sisteminden esinlenerek modellenen yöntemlerden biri olan çok katmanlı algılayıcı (ÇKA), mesafeye dayalı k en yakın komşu algoritması (kNN), karar ağaçları temelli ID3 ve istatistiksel hesaplara dayalı Naive Bayes (NB) yöntemleri sınıflandırma için tercih edilmiştir. Alınan sonuçlar KSA'da önerilen yeni antikor seçimi yaklaşımının geleneksel KSA modeline göre daha iyi sonuçlar verdiğini göstermiştir. Geliştirilen KSA modeli ile hemoglobin veri seti eğitilmiş ve eğitilen protein verisinin ikincil yapı tahmini farklı sınıflandırıcı yöntemleri ile yapılmıştır. Çalışmanın sonunda KSA ile eğitilen verinin sınıflandırma başarısının eğitilmeyen veriye göre daha yüksek olduğu görülmüştür.