نقش هوش مصنوعی مولد در تاخوردگی پروتئین
نقش هوش مصنوعی مولد در تاخوردگی پروتئین
امیرعباس حیدری1 سید مهرداد دستوری2 امین صالحی فارسانی3 پرهام نبی ئی4 مسعود رضوی5 زهرا آزاد6
1) 1. مهندس هوافضا دانشگاه آزاد علوم تحقیقات
2) کارشناسی ارشد گروه علوم کامپیوتر، داده کاوی دانشگاه شهید بهشتی
3) مهندسی کامپیوتر، دانشگاه سلمان فارسی، کازرون
4) Ph.D. کارشناسی ارشد مهندسی پزشکی بیومکانیک، دانشگاه آزاد اسلامی،
5) مهندسی کامپیوتر دانشگاه آزاد بوشهر
6) بیوتکنولوژیست دانشگاه مراغه
کد IOI مقاله
:
XKBA-AZFADF
محل انتشار :
سومین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com/3rd)
چکیده :
تاخوردگی پروتئین یک فرآیند اساسی در زیست شناسی است که برای درک عملکرد سلولی، مکانیسم بیماری و کشف دارو ضروری است. روشهای سنتی، مانند شبیهسازی دینامیک مولکولی (MD)، به طور گسترده برای پیشبینی ساختار پروتئین استفاده شدهاند، اما اغلب به دلیل هزینههای محاسباتی بالا و دشواری در کاوش مسیرهای تاشو پیچیده محدود میشوند. این مطالعه به بررسی کاربرد مدلهای هوش مصنوعی مولد (AI) - شبکههای متخاصم (GANs)، رمزگذار خودکار متغیر (VAE) و مدلهای مبتنی بر ترانسفورماتور - در شبیهسازی تاشو پروتئین، ارزیابی عملکرد آنها از نظر دقت، کارایی، اکتشاف مسیر میپردازد. و تعمیم پذیری. این تحقیق از مجموعه داده جامعی از بانک داده پروتئین (PDB) برای آموزش و آزمایش این مدل ها استفاده کرد. نتایج نشان داد که مدلهای مبتنی بر ترانسفورماتور بالاترین دقت را به دست آوردند، با مقادیر RMSD که دقیقاً با ساختارهای آزمایشی مطابقت دارند. GAN ها و VAE ها پتانسیل قابل توجهی را در کاوش حالت های چین خوردگی میانی نشان دادند و بینش جدیدی در مورد پویایی تا شدن پروتئین ارائه کردند. از نظر کارایی محاسباتی، مدلهای هوش مصنوعی تولیدی به طور قابلتوجهی بهتر از شبیهسازیهای سنتی MD عمل کردند و آنها را برای کاربردهای در مقیاس بزرگ مناسب ساختند. با این حال، چالشهایی شناسایی شدند، از جمله نیاز به مجموعه دادههای آموزشی متنوع برای بهبود تعمیمپذیری مدل و نیازهای محاسباتی مدلهای مبتنی بر ترانسفورماتور. این مطالعه نشان میدهد که هوش مصنوعی مولد جایگزینی مقیاسپذیر و مبتنی بر داده را برای روشهای سنتی تا کردن پروتئین ارائه میکند و امکانات جدیدی را باز میکند. در زیست شناسی ساختاری و کشف دارو. تحقیقات بیشتر باید بر روی بهینه سازی این مدل ها و ادغام آنها با داده های تجربی برای افزایش قدرت پیش بینی آنها تمرکز کند.
کلمات کلیدی : تاشو پروتئین هوش مصنوعی مولد پیشبینی ساختار مدلهای ترانسفورماتور