Protein İşlev Kestiriminde Yapısal Bilginin Katkısı Ve Dizi Geçiş Olasılıkları İle Peptit Sınıflandırma

dc.contributor.advisor Çataltepe, Zehra tr_TR
dc.contributor.author Aygün, Eser tr_TR
dc.contributor.department Bilgisayar Mühendisliği tr_TR
dc.contributor.department Computer Engineering en_US
dc.date 2009 tr_TR
dc.date.accessioned 2009-02-24 tr_TR
dc.date.accessioned 2015-04-07T13:59:29Z
dc.date.available 2015-04-07T13:59:29Z
dc.date.issued 2009-03-04 tr_TR
dc.description Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2009 tr_TR
dc.description Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2009 en_US
dc.description.abstract Biyolojik dizi analizi, nükleotid ve amino asit dizilerinin evrimsel, yapısal ve işlevsel özelliklerini ortaya çıkarmayı amaçlar. İkili hizalama algoritmaları, biyolojik dizi analizinde yoğun olarak kullanılan araçlardır. Bu çalışmada; standart ikili hizalama algoritmalarının bir derlemesini sunmak, Oommen ve Kashyap ın tanımladığı dizi geçiş olasılığını bir biyolojik dizi benzerlik ölçütü olarak tanıtmak, yapısal bilginin protein işlev kestiriminin başarısını nasıl arttırdığını göstermek, Oommen ve Kashyap ın dizi geçiş olasılığını, iki peptit sınıflandırma problemi üzerine standart dizi benzerlik ölçütleriyle kıyaslamak, ve gereken dizi analiz araçlarını bir bilgisayar yazılımı olarak gerçeklemek amaçlanmıştır. Çalışmanın deneysel kısmının ilk aşamasında, ikincil yapı dizilerini amino asit dizisi hizalamalarıyla birlikte kullanmanın moleküler işlev kestirim başarısını arttırdığını açıkça ortaya koymuştur. Buna karşılık kestirilmiş ikincil yapıların kestirime herhangi bir katkısının olmadığı gözlenmiştir. İkinci olarak, dizi geçiş olasılıkları, sınıflandırıcıya sunulan nitelikler olarak, standart genel hizalama puanları ile kıyaslanmıştır. Sınıflandırma başarısı ölçümleri, dizi geçiş olasılıklarının genel hizalama puanlarından çok daha iyi nitelikler sağladığını şüpheye yer bırakmayacak şekilde ortaya koymuştur. Önerilen yöntem ayrıca aynı veri kümeleri üzerinde uygulanmış önceki yöntemlerin neredeyse hepsinden daha başarılı olarak genel kabul görmüş peptit benzerlik ölçütü olmaya aday olduğunu kanıtlamıştır. tr_TR
dc.description.abstract Biological sequence analysis deals with nucleotide and amino acid sequences, aiming to expose their evolutionary, structural and functional properties. This study intends to provide a review of well known pairwise alignment methods, to introduce the syntactic transition probability of Oommen and Kashyap as a biological sequence similarity metric, to demonstrate how the structural information improves protein function prediction, to compare syntactic transition probability of Oommen and Kashyap with standard sequence similarity metrics on two peptide classifaction problems, and to implement necessary sequence analysis tools as a computer software. In the first part of the experiments, the results clearly indicate that the use of secondary structure sequences along with amino acid sequence alignments improves molecular function prediction performance, while the use of predicted secondary structures does not. In the second part, syntactic transition probabilities are compared with standard global alignment scores as being features fed into a machine learning classifier. The classification performance measurements undoubtedly proved that syntactic transition probabilities are much better features than global alignment scores for peptides. en_US
dc.description.degree Yüksek Lisans tr_TR
dc.description.degree M.Sc. en_US
dc.identifier.uri http://hdl.handle.net/11527/330
dc.publisher Fen Bilimleri Enstitüsü tr_TR
dc.publisher Institute of Science and Technology en_US
dc.rights İTÜ tezleri telif hakkı ile korunmaktadır. Bunlar, bu kaynak üzerinden herhangi bir amaçla görüntülenebilir, ancak yazılı izin alınmadan herhangi bir biçimde yeniden oluşturulması veya dağıtılması yasaklanmıştır. tr_TR
dc.rights İTÜ theses are protected by copyright. They may be viewed from this source for any purpose, but reproduction or distribution in any format is prohibited without written permission. en_US
dc.subject Örüntü tanıma tr_TR
dc.subject Biyoenformatik tr_TR
dc.subject Biyolojik dizi analizi tr_TR
dc.subject Dizi hizalama tr_TR
dc.subject Protein işlev kestirimi tr_TR
dc.subject Peptit sınıflandırma tr_TR
dc.subject Pattern recognition en_US
dc.subject Bioinformatic en_US
dc.subject Biological sequence analysis en_US
dc.subject Sequence alignment en_US
dc.subject Protein function prediction en_US
dc.subject Peptide classification en_US
dc.title Protein İşlev Kestiriminde Yapısal Bilginin Katkısı Ve Dizi Geçiş Olasılıkları İle Peptit Sınıflandırma tr_TR
dc.title.alternative Improvement Of Protein Function Prediction Using Structural Information And Peptide Classification Using Syntactic Transition Probabilities en_US
dc.type Thesis en_US
dc.type Tez tr_TR
Dosyalar
Orijinal seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.placeholder
Ad:
9250.pdf
Boyut:
409.12 KB
Format:
Adobe Portable Document Format
Açıklama
Lisanslı seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.placeholder
Ad:
license.txt
Boyut:
3.14 KB
Format:
Plain Text
Açıklama