Citation Number
1
Views
19
Downloands
2
Biyolojik katilazör olarak görev yapan enzimler katalizlediği tepkime türüne ve mekanizmasına göre sınıflandırılırken her sınıf altında substrat seçiciliği durumlarına göre de alt sınıflar oluşturulmuştur. Aynı zamanda enzimlerin sınıflandırılmasında yapısal, kimyasal ve bağlantısallık özellikleri önemli olmaktadır. Enzim fonksiyonunu tahmini yeni enzimlerin tasarlamalarına yardımcı olmak ve enzimle ilişkili hastalıkları teşhisinde önemli olmaktadır. Enzimlerin önemli bir çoğunluğu belirli reaksiyonları gerçekleştiriken, sınırlı sayıda enzim farklı reaksiyonlar gerçekleştirebilmektedir. Bu nedenle birden fazla enzimatik fonksiyonla doğrudan ilişkilendirilebilmektedir. Gerçekleştirilen bu çalışmada enzimatik fonksiyonun ikili ve çok etiketli sınıflandırma ile tahmini amaçlanmıştır. Enzimlerin sınıflandırılmasında daha başarılı sonuçların kimyasal özelliklerin kullanılmasında ortaya çıktığı görülmüştür. Ancak tüm özelliklerin kullanılması durumunda sınıflandırma performansının daha da arttığı görülmüştür. Enzimatik fonksiyon tahmnine yönelik kullanılan modellerin başarısı incelendiğinde Derin Öğrenme modellerinin hem ikili hemde çok etiketli sınıflandırma performansının daha yüksek olduğu görülmüştür. Sonuç olarak önerilen modellerinin enzimatik fonksiyonların sınıflandırılmasında önemli bir araç olduğu ortaya konmuştur.
The enzymes that act as biological murderers are classified according to the type and mechanism of reaction they catalyze, while under each class sub-classes are formed according to the circumstances of substrate selectivity. Structural, chemical and connectivity properties are also important in the classification of enzymes. Estimating the enzyme function is important in helping to design new enzymes and diagnosing diseases associated with the enzyme. A significant majority of enzymes perform certain reactions, a limited number of enzymes can perform different reactions. Therefore, it can be directly associated with multiple enzyme functions. This study is aimed at predicting the enzymatic function by a binary and multi-letched classification. More successful results in the classification of enzymes have been shown in the use of chemical properties. However, when all the features are used, the classification performance has increased further. When the success of the models used for the enzymatic function estimation was studied, the deep learning models were shown to have a higher classification performance with multiple labels in both the two sides. As a result, it has been found that the recommended models are an important tool in the classification of enzymatic functions.
Enzymes that act as biological catalysts are classified according to the reaction type and mechanism they catalyze, while subclasses are formed under each class according to their substrate selectivity. At the same time, structural, chemical and connectivity features are important in the classification of enzymes. Predicting enzyme function is important in helping to design new enzymes and in diagnosing enzyme-related diseases. While a significant majority of enzymes carry out certain reactions, a limited number of enzymes can perform different reactions. Therefore, it can be directly associated with more than one enzymatic function. In this study, it was aimed to predict the enzymatic function by binary and multi-label classification. It has been observed that more successful results the use of chemical properties in have emerged in the classification of enzymes. However, it was observed that the classification performance increased even more when all features were used. When the success of the models used for enzymatic function estimation was examined, it was seen that the Deep Learning models had higher both binary and multi-label classification performance. As a result, it has been demonstrated that the proposed models are an important tool in the classification of enzymatic functions.
Field : Fen Bilimleri ve Matematik; Mühendislik
Journal Type : Uluslararası
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
