Η πρόβλεψη της λειτουργίας των πρωτεϊνών είναι μια πρόκληση για τον χώρο της βιοπληροφορικής. Ενώ η πρόβλεψη της δομής των πρωτεϊνών έχει σημειώσει σημαντική πρόοδο, η ακριβής καθορισμός της λειτουργίας ενός πρωτεϊνικού μορίου παραμένει περιορισμένος λόγω της έλλειψης διαθέσιμων συναρτήσεων αναφοράς και της πολυπλοκότητας των πρωτεϊνικών αλληλεπιδράσεων. Ωστόσο, μια πρόσφατη μελέτη που δημοσιεύθηκε στο περιοδικό Nature Machine Intelligence παρουσιάζει μια νέα μέθοδο με το όνομα DeepGO-SE που στοχεύει να αντιμετωπίσει αυτές τις προκλήσεις.
Tο DeepGO-SE εκμεταλλεύεται ένα μεγάλο, προ-εκπαιδευμένο προτύπο γλώσσας πρωτεΐνης για να προβλέψει τις λειτουργίες της γονικής οντολογίας (GO) από αλληλουχίες πρωτεϊνών. Αντίθετα από τις παραδοσιακές μεθόδους που βασίζονται στην ομοιότητα αλληλουχίας, το DeepGO-SE συνδυάζει γνώση από τα φόντα των γραμματικών αξιωμάτων των GO για να βελτιώσει τις προβλέψεις. Χρησιμοποιώντας σημασιολογική προκύπτουσα, η οποία λαμβάνει υπόψη την αλήθεια πολλαπλών προσεγγιστικών μοντέλων, το DeepGO-SE υπερβαίνει τις βασικές μεθόδους στην πρόβλεψη των πρωτεϊνικών λειτουργιών.
Οι ερευνητές αξιολόγησαν το DeepGO-SE χρησιμοποιώντας το σύνολο δεδομένων UniProtKB/Swiss-Prot και διαπίστωσαν ότι υπερτερεί άλλων μεθόδων σε όλες τις τρεις υπο-οντολογίες του GO. Όσον αφορά τις μοριακές λειτουργίες, το DeepGO-SE έφτασε ένα μέγιστο μέτρο F (F max) της τάξης του 0,554, υπερβαίνοντας τις μεθόδους DeepGoZero και MLP. Για τις βιολογικές διεργασίες, το F max του DeepGO-SE (0,432) ήταν κατά 8% υψηλότερο από το DeepGraphGO. Σε κυτταρικά συστατικά, το DeepGO-SE επιτέλεσε ένα μέγιστο F τάξης 0,721.
Για να ενισχύσουν περαιτέρω τις προβλέψεις, οι ερευνητές τροποποίησαν τα διανύσματα εισόδου του DeepGO-SE συμπεριλαμβάνοντας πρόσθετες πληροφορίες για τις πρωτεϊνικές αλληλεπιδράσεις. Βελτίωσαν έτσι την πρόβλεψη των βιολογικών διεργασιών, ενώ μείωσαν ελαφρώς την ακρίβεια των μοριακών λειτουργιών. Είναι σημαντικό να σημειωθεί ότι το DeepGO-SE έδειξε υπεροχή σε σχέση με άλλες μεθόδους στην πρόβλεψη των πρωτεϊνικών λειτουργιών χρησιμοποιώντας το σύνολο δεδομένων neXtPro.
Μια μελέτη αποτελεσμάτων αντιμετωπίστηκε επίσης για να αξιολογηθεί η συμβολή των ατομικών στοιχείων στα μοντέλα. Η αφαίρεση συγκεκριμένων συναρτήσεων απώλειας είχε διαφορετικές επιπτώσεις στην απόδοση, καθιστώντας σαφή τη σημασία των διαφορετικών συνιστωσών για ακριβείς προβλέψεις.
Ως συμπέρασμα, το DeepGO-SE παρουσιάζει μια αξιόλογη προσέγγιση για την πρόβλεψη της λειτουργίας των πρωτεϊνών, εκμεταλλευόμενο ένα προ-εκπαιδευμένο πρότυπο γλώσσας πρωτεΐνης, τις γνώσεις φόντου του GO και τις πληροφορίες για τις πρωτεϊνικές αλληλεπιδράσεις. Αυτή η μέθοδος επιδεικνύει υπεροχή σε σχέση με υπάρχουσες μεθόδους και δείχνει το δυναμικό για περαιτέρω βελτιώσεις στον τομέα της βιοπληροφορικής. Καθώς η μελέτη τονίζει την ανάγκη για μεθόδους που προβλέπουν αλληλεπιδράσεις για νέες πρωτεΐνες, η μελλοντική έρευνα μπορεί να επικεντρωθεί στην ανάπτυξη αλγορίθμων που βασίζονται αποκλειστικά σε αλληλουχίες πρωτεϊνών για να ξεπεράσουν αυτόν τον περιορισμό.
Συχνές ερωτήσεις
The source of the article is from the blog elblog.pl