پیش بینی مکان استقرار درون هسته ای پروتئین ها با استفاده از سیستم ایمنی مصنوعی

یکی از مسائل مهم در علم بیوانفورماتیک که در طی سا ل های اخیر مورد توجه دانشمندان قرار گرفته است، پیش بینی مکان استقرار پروتئین ها در سلول و اندامک های آن می باشد. هسته ی سلول مهمترین اندامک سلول به شمار می آید. هسته ی سلول به چندین بخش تقسیم شده که به هر بخش یک زیرهسته گفته می شود. پروتئین ها براساس کارکردشان در هر یک از مکان های زیرهسته قرار می گیرند. به طوری که اگر پروتئین در مکانی غیر از مکان خود مستقر شود، باعث سوء عملکرد و ایجاد بیماری می گردد. بنابراین رابطه ی مستقیمی بین مکان استقرار پروتئین و کارکرد آن وجود دارد. در نتیجه دانستن مکان استقرار پروتئین به یافتن عملکرد یک پروتئین کمک می کند. هر چند روش های آزمایشگاهی متفاوتی برای تشخیص مکان استقرار یک پروتئین در سلول یا به طور جزئی تر در یک اندامک سلولی مانند هسته وجود دارند، از معایب این روش ها می توان به زمان بر بودن و پرهزینه بودن آنها اشاره کرد. به همین دلیل روش های پیشگویی مبتنی بر ماشین های یادگیری در این زمینه بسیار متداول و کارامد هستند. رویکردهای مختلفی که برای حل مسئله ی پیش بینی مکان استقرار پروتئین در سلول ارائه می شوند، شامل دو مرحله مجزا می باشند: ‎1- روش های بازنمایی پروتئین که هر یک براساس تحلیل توالی های اسید آمینه، ویژگی های متفاوتی را بدست می دهد. 2- استفاده از الگوریتم های طبقه بندی برای تعیین پیش بینی مکان استقرار پروتئین ها. یکی از سیستم های ماشینی که می توان آن را به عنوان یکی از طبقه بندهای قابل بررسی در این زمینه مورد توجه قرار داد، سیستم های ایمنی مصنوعی است. با توجه به قابلیت های سیستم ایمنی مصنوعی در زمینه ی طبقه بندی الگو و نظر به این که تا به حال از این سیستم در پیش بینی مکان استقرار پروتئین ها در هسته استفاده نشده است لذا در این پایان-نامه به بررسی سیستم ایمنی مصنوعی در جهت پیش بینی مکان استقرار پروتئین ها در هسته پرداخته شده است. در این پایان نامه ابتدا بازنمایی های مختلف برای توالی های پروتئین بدست آمده است. در ادامه الگوریتم های سیستم ایمنی مصنوعی به عنوان یک طبقه بند با روش آموزش همه در برابر همه، یکی در برابر همه، یکی در برابر یکی و روش تست متقاطع بر روی هر یک از 37 بازنمایی انجام شده است. سپس با استفاده از رأی گیری بین 37 بازنمایی، طبقه بندی انجام گرفته است. الگوریتم انتخاب منفی با دقت کلی 56.34% بالاترین دقت در بین الگوریتم های ایمنی مصنوعی را دارا می باشد.