ارایه روشی جهت پیش بینی کلاسهای ساختاری پروتیینها با استفاده از شبکه عصبی مصنوعی خود سازمانده

بررسی عملکرد توالیهای زیستی در زمره مسائل مورد توجه در حیطه بیو انفورماتیک است. علیرغم مطالعات گسترده در زمینه ی پیشبینی ساختار پروتئینها، تعیین ساختار سه بعدی پروتئین کماکان کار مشکلی است. با توجه به این موضوع که اسیدهای آمینه توسط رشتهای از کاراکترها نشان داده میشوند، لازمه پیشبینی ساختار پروتئینهای جدید، تبدیل اسیدهای آمینه به فرمت عددی است. در این پژوهش، برای توصیف دنبالههای پروتئین، از یک توصیف ریاضی جدید بر مبنای نظریه گراف استفاده شده است. به طور خاص برای هر توالی پروتئین، یک گراف جهتدار وزنی ایجاد میشود. این رویکرد جدید به دلیل در نظر گرفتن همزمان ترتیب و تعداد حضور آمینو اسیدها، اطلاعات بیشتری جهت پیشبینی ساختار پروتئین ها استخراج می نماید و به طراحی مدلی دقیق تر جهت کلاس بندی منجر می گردد. در ادامه از شبکه عصبی مصنوعی xy-fused به عنوان الگوریتم های یادگیری استفاده شده است. این نوع شبکه عصبی مصنوعی بر پایه ی نوعی از نقشه های خودسازمانده بوده که از توانایی بالایی جهت یادگیری نظارتی (طبقه بندی داده ها) برخوردار می باشد. روش پیشنهادی بر روی مجموعه دادهای که توسط ژو گرداوری گردیده و یکی از چالش برانگیزترین مجموعه دادهها است اعمال گردید. صحت طبقه بندی توالی های بیولوژیکی توسط معتبرسازی متقاطع در حدود ?/??? بدست آمد که در مقایسه با سایر روش های پیشنهادی جهت آنالیز این داده ها بهبود قابل توجهی مشاهده گردید.