Computational prediction of disordered regions in proteins

Proteinler hayati önem taşıyan görevleri nedeni ile canlı organizmaların en önemli molekülleridir. Bu bakımdan, bir organizmanın yaşam sürecini anlayabilmek için ilk olarak yapı- işlev ilişkisinin bilinmesi gerekmektedir. Yapılan çalışmalar ile birçok proteinin 3B yapısına sahip olmadıkları halde bir veya birden fazla fonksiyona sahip oldukları bulunmuştur. Bu proteinlerin önemli fonksiyonlarda ve bazı hastalıklarda anahtar rol oynadıklarının bulunmasıyla bu proteinlerin tanımlanması, protein yapısının tahmini ve fonksiyonun belirlenmesi için talep gören bir işlem haline gelmiştir. Bu nedenle, düzensizliğin başarılı tahmini üzerine birçok çalışma yapılmıştır. Bu düzensizliğin tahmin edilmesi problemi ile başa çıkabilmek için, büyük veri setlerindeki karmaşık ilişkileri ve korelâsyonu ortaya çıkarmadaki yeteneği nedeniyle çoğunlukla makine öğrenmesi teknikleri kullanılmaktadır.Bu çalışmada, Sınır Vektör Belirleme ve Genişletilmiş Adaptasyon (SVBGA) metodu düzensiz bölgelerin tahmini için başarılı bir alternatif sınıflandırıcı olarak geliştirilmiştir. Metodun başarısının onaylanması için üç hesapsal öğrenme tekniği ve on bir mevcut düzensiz bölge tahmin aracı karşılaştırmada kullanılmıştır. Tahminlerin gerçekleştirilebilmesi için öncelikle, birçok yapısal özellik kullanılarak yeni bir veri hazırlanmıştır. Daha sonra, 5 katlı çapraz değerlendirme ile eğitimler gerçekleştirilmiştir. Verilen öğrenme yöntemleri ile karşılaştırıldığında, metot sınıflandırmada en başarılı sonucu vermiştir. Burada, SVBGA diğerlerine göre daha başarılı ve daha hızlı öğrenme sağlamıştır. Ayrıca, verilen mevcut tahmin araçları ile yapılan diğer karşılaştırma, metodun oldukça iyi bir tahmin performansı elde ettiğini göstermiştir. Sonuç olarak, yeni metodun düzensiz ve düzenli bölgelerin tahmini üzerine dikkate değer bir katkı sağladığı gösterilmiştir.