Fonksiyonu Olan Peptidlerin In Sılıco Tasarımı

Abstract

Bu çalışmada fonksiyonları bilinen peptid sekanslarıyla eğitilebilir ve eğitimin ardından kullanıcının sistemi başka peptid sekanslarıyla ilgili fonksiyonu sorgulamasını sağlayan, Karabash adında bir yazılım geliştirilmiştir. Bu sayede bir peptidin ilgili fonksiyonu ne ölçüde gerçekleştirdiğinin öngörüsü yapılmaktadır. Başka bir deyişle Karabash belirli bir fonksiyona sahip ya da sahip olmayan peptidlerin tasarımına olanak verir. Karabash, kısmi bağlı ileri beslemeli yapay sinir ağı oluşturur; sinir ağının boyutu (içerdiği nöron sayısı) eğitim setindeki en uzun peptid sekansının uzunluğuna gore belirlenir. Son olarak oluşturulmuş yapay sinir ağı eğitilir ve sorgulamaya hazır hale getirilir. Bir tane grafiksel ve bir tane de komut satırı olmak üzere, Karabash için iki ayrı kullanıcı arayüzü hazırlanmış ve geliştirilmiştir. Karabash’ın ürettiği sonuçları değerlendirmek ve puantaj matrisleri kullanılan çalışmanın sonuçlarıyla kıyaslamak için özel kullanıcı arabirimleri geliştirilmiştir. Bu özel kullanıcı arabirimleri Karabash’ın varsayılan dağıtımına dahil edilmemiştir. Karabash ve puantaj matrisleri kullanan sisteme 5000 tane rasgele üretilmiş peptid sekansı beslenmiş ve iki sistemin de çıktıları karşılaştırılmıştır. Karabash, deneysel olarak işlerliği kontrol edilmiş kuartza 4 tane zayıf bağlanan ve 6 tane güçlü bağlanan peptidle test edilmiştir. Sonuç olarak, Karabash puantaj matrisleri kullanan sistem ile önemli ölçüde benzer sonuçlar üretmiştir. Ayrıca Karabash deneysel olarak işlerliği bilinen peptidlerin güçlü ya da zayıf bağlanmasını doğru olarak öngörmüştür.

A software system, called Karabash, was developed which allows user to train the system with peptide sequences with known functionality and also allows user to interrogate the system using peptide sequences regarding the trained function, therefore predicting peptide effectiveness for a particular functionality. In other words, Karabash allows the design of new peptide sequences with/without particular functionality. Karabash creates a partially connected feedforward artificial neural network, the size of the neural network is determined according to the length of the peptide sequences in training data. Afterwards, this partially connected artificial neural network is trained and gets ready for interrogation. Two user interfaces were prepared and developed for Karabash, one graphical and one command line. Custom user interfaces were also developed to evaluate and compare results of Karabash with the other system that is using scoring matrices to predict peptide functionality. These custom user interfaces are not included in Karabash default distribution. 5000 randomly generated peptides were fed to Karabash and the system using scoring matrices and the outputs of two systems were compared. Karabash was tested for 4 weak and 6 strong quartz binding peptide sequences which are known to be weak/strong by experimental validation. As a result, Karabash produced significantly similar output with the system that is using scoring matrices. Also Karabash was tested against experimentally validated weak/strong quartz binders and predicted the binding characteristics of these peptides right.