Μοντέλο μηχανικής μάθησης για τη μελέτη της δυναμικής βιομορίων
Loading...
Date
2025-07-08
Authors
Νίτας, Παναγιώτης
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η πρωτονίωση των όξινων καταλοίπων μιας πρωτεΐνης αποτελεί έναν από τους πιο σημαντικούς παράγοντες που επηρεάζουν τη σταθερότητα, τη δομή και τη λειτουργία της. Παρ’ όλα αυτά, η αξιόπιστη πρόβλεψή της, ειδικά σε συνθήκες που προσομοιάζουν το βιολογικό περιβάλλον, δεν είναι καθόλου εύκολη υπόθεση. Στην παρούσα διπλωματική εργασία πραγματοποιήθηκε προσπάθεια ανάπτυξης ενός υπολογιστικού συστήματος βασισμένου σε τεχνικές μηχανικής μάθησης, με στόχο την πρόβλεψη της πρωτονιωτικής κατάστασης των όξινων καταλοίπων γλουταμικού (GLU) και ασπαρτικού (ASP), χρησιμοποιώντας στοιχεία από το μικροπεριβάλλον τους μέσα από τις τρισδιάστατες δομές των πρωτεϊνών. Για την επίτευξη αυτού του στόχου αναπτύχθηκαν από την αρχή scripts σε Python, τα οποία αναλύουν το γειτονικό περιβάλλον κάθε καταλοίπου και καταγράφουν τα χαρακτηριστικά των γειτονικών ατόμων, ώστε στη συνέχεια να τροφοδοτούνται σε ένα νευρωνικό δίκτυο για εκπαίδευση. Η εστίαση στα κατάλοιπα GLU και ASP έγινε λόγω της συχνής παρουσίας τους σε ενεργά κέντρα ενζύμων και της ιδιαίτερης συμπεριφοράς τους κοντά στο φυσιολογικό pH. Τα αποτελέσματα ήταν αρκετά ενθαρρυντικά, παρουσιάζοντας ικανοποιητική ακρίβεια στις προβλέψεις (f1score κοντά στο 0.7), ενώ παράλληλα ανέδειξαν μελλοντικές δυνατότητες εξέλιξης, όπως η επέκταση της μεθοδολογίας σε άλλα κατάλοιπα (π.χ. ιστιδίνη), η υποστήριξη περίπλοκων pdb αρχείων με υδρογόνα ή και τη αξιοποίηση δεδομένων από δυναμικές προσομοιώσεις. Συνολικά, η εργασία αυτή ανέδειξε ότι η τεχνητή νοημοσύνη μπορεί να αποτελέσει ένα ιδιαίτερα χρήσιμο εργαλείο για τις βιομοριακές μελέτες, συνεισφέροντας στην αυτοματοποίηση και στην εξοικονόμηση χρόνου. Παρά την πολυπλοκότητα που συνεπάγεται η συνεχής «κίνηση» και προσαρμογή των βιομορίων, το μοντέλο κατάφερε να ανταποκριθεί με επιτυχία, ανοίγοντας τον δρόμο για πιο σύγχρονες και αξιόπιστες εφαρμογές που θα υποστηρίξουν τη βαθύτερη κατανόηση της πρωτεϊνικής λειτουργίας στο μέλλον.
Description
Keywords
Μηχανική μάθηση, Νευρωνικά δίκτυα, Πρωτονίωση, Βιομόρια