Zeitschrift für Proteomik und Bioinformatik
Offener Zugang

Abstrakt

Vorhersage der Sekundärstruktur der Oxidoreduktase-Proteinfamilie mithilfe der Bayesian Regularization Feedforward Backpropagation ANN-Technik

Brijesh Singh Yadav, Mayank Pokhariyal, Barkha Ratta, Gaurava Rai, Meeta Saxena, Bhaskar Sharma und KPMishra

Künstliche neuronale Netzwerke (KNN) sind vereinfachte Modelle des Nervensystems, in denen Neuronen als einfache Verarbeitungseinheiten betrachtet werden, die mit gewichteten Verbindungen, sogenannten synaptischen Effizienzen, verknüpft sind. Diese Gewichte werden nach und nach gemäß einem Lernalgorithmus angepasst. Oxidoreduktase ist eine Klasse von Enzymen, die Oxidations-Reduktions-Reaktionen katalysieren, d. h. sie sind an der Übertragung von Wasserstoff oder Elektronen zwischen Molekülen beteiligt. Dazu gehören die Oxidasen und Dehydrogenasen.

In diesem Artikel wurde der Versuch unternommen, eine Methode auf Basis neuronaler Netzwerke zur Vorhersage der Sekundärstruktur von Proteinen (Familie der humanen Oxidoreduktasen) zu entwickeln. Das neuronale Netzwerk wurde mithilfe der Bayesian Regularization Feedforward Backpropagation Neural Network Technique trainiert, um die -Helix-, -Faltblatt- und -Coil-Regionen dieser Proteinfamilie vorherzusagen. Das Feedforward-neuronale Netzwerk wurde durch die Analyse von Fenstern mit 25 Parametern trainiert, um den zentralen Rest der Protein-Sequenz vorherzusagen. PSI-BLAST wurde zur Ausrichtung mehrerer Sequenzen verwendet. Die SCOP- und PDB-Datenbanken wurden zur Suche nach der Primär- und Sekundärstruktur von Proteinen und zum Trainieren des Datensatzes verwendet. Die Methode identifiziert die Sekundärstruktur der humanen Oxidoreduktasen-Familie mit einer Genauigkeit von über 79 % und übertrifft damit alle bisher bekannten Methoden.