Publicação: Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Resumo
Apresentamos uma metodologia de predição de proteínas advindas
de secreção bacteriana não clássica utilizando redes neurais artificiais. Nosso objetivo é
contribuir para a elaboração de vacinas e diagnósticos de doenças a partir de proteínas
bacterianas secretada por vias não clássicas. Para esse objetivo, compilamos uma lista de
proteínas bacterianas conhecidas advindas de organismos procariotos secretadas pelas vias
não clássicas. Essas proteínas foram catalogadas permitindo a criação de um conjunto de
treinamento e validação da rede neural artificial. Realizamos uma pesquisa bibliográfica
para identificar prováveis descritores e características sinalizadoras deste tipo de secreção
bacteriana. Elaboramos uma rede neural supervisionada pelo software WEKA. Diversos
modelos foram treinados a fim de determinar o melhor grupo de características para a
predição de proteínas. Avaliamos o método proposto com a predição de proteínas que
não foram utilizadas no grupo de treinamento e comparando com outros dois preditores
estudados em literatura correlata, PeNGaRoo (ZHANG et al., 2020) e SecretomeP 2.0
(BENDTSEN et al., 2005). Consideramos nossos resultados satisfatórios, pois apresentaram
uma rede neural com acurácia média de 93%. Nosso modelo preditor de proteínas
secretadas por vias não clássicas foi superior ao SecretomeP em todos os cenários de validação.
Com relação ao PeNGaRoo, o estado da arte para este propósito, nosso preditor
igualou o seu desempenho na maior parte dos cenários de validação e conseguiu acurácia
melhor em alguns cenários. Dessa forma, nosso trabalho demonstrou a possibilidade da
obtenção de um classificador eficaz e mais eficiente que o estado da arte, através da utilização
de redes neurais artificiais e um conjunto adequado de descritores para proteínas
de bactérias secretadas por vias não clássicas.
Abstract
We present a methodology of predicting proteins from the non-classic bacterial secretion
from artificial neural networks to contribute to vaccines’ elaboration and diseases’
diagnosis. We compiled a list of bacterial proteins from prokaryotic organisms secreted
by the currently known non-classic pathways for training. These proteins were cataloged,
allowing the creation of a set of training and validation for neural network training. We
carried out bibliographic research to identify probable descriptors and signaling characteristics
of this type of secretion by non-classic pathway. We developed a supervised neural
network using the WEKA software, training it to determine the best group of features for
prediction. We evaluated our proposed method submitting proteins not used in the training
group and comparing the developed predictor against two other predictors studied
in related literature, PeNGaRoo (ZHANG et al., 2020) and SecretomeP 2.0 (BENDTSEN
et al., 2005). We considered our results satisfactory, as they presented a balanced neural
network accuracy of 93% in the classification performance. We outperformed SecretomeP
2.0 for all validation scenarios. In the majority, our results were similar to PeNGaRoo,
but for some case studies, we outperformed it. Therefore, we demonstrated the possibility
of obtaining a compelling classifier by using our selected set of descriptors.
Palavras-chave
Redes neurais, Proteínas bacterianas, Secreção por via não clássica, Neural Networks, Non-classical Secretory Pathway, Bacterial Proteins
Citação
OLIVEIRA, Luiz Gustavo de Sousa. Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas. 2020. 87 f. Dissertação (Mestrado em Ciência da computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2021.34
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto