طراحي مدل‌هاي پيش‌بيني، جهت تعيين ساختار ‌آنزيم استريول آسيل كرير پروتيين ديسچوراز 1

Designing prediction models to determine the structure of Stearoyl-acyl carrier protein desaturase 1

زمينه و هدف: اسيدهاي چرب ضروري مانند آلفا لينولييك اسيد به‌عنوان يك امگا-3 و آلفا لينولييك اسيد به‌عنوان يك امگا-6 در سلول‌هاي انساني توليد نمي‌شوند. بنابراين، به‌وسيله منابع غذايي مانند ماهي، روغن سويا، دانه كتان و دانه‌هاي آفتابگردان تامين مي‌شوند. مراحل توليد آلفا لينولييك اسيد توسط 6 آنزيم صورت مي‌گيرد كه يكي از آنها آسيل كرير پروتيين ديسچوراز است. اين مطالعه با هدف طراحي مدل‌هاي پيش‌بيني جهت تعيين ساختار ارگانيزمي ‌آنزيم استريول آسيل كرير پروتيين ديسچوراز 1 انجام شد. روش بررسي: تعدادي از ابزارهاي بيوانفورماتيك جهت تعيين مهم‌ترين مشخصه‌هاي ژني آنزيم آسيل كرير پروتيين ديسچوراز به جهت توسعه مدل‌هاي پيش‌بيني ارگانيزمي اجرا شد. سپس از تكنيك‌هاي داده‌كاوي مانند (Feature selection, Decision tree, Classification models) در جهت توليد الگوريتم‌هاي پيش‌بيني دقيق و كارآمد برپايه خصوصيات ژني آنزيم (S-ACP-DES1) از ارگانيزم‌هاي مختلف استفاده شد. يافته‌ها: مهم‌ترين متغير ژني در تشخيص ساختارهاي ارگانيزمي‌ آنزيم (S-ACP-DES1)، فراواني طول بوده است. همچنين مدل‌هاي پيش‌بيني طراحي‌شده نشان داد مدل Naive Bayse با معيار FCdb با دقت 38/97% مي‌تواند ارگانيزم آنزيم‌هاي جديد را براساس خصوصيات ژني پيش‌بيني كند. دو يافته فوق براي اولين بار در اين مطالعه گزارش شدند. نتيجه‌گيري: نتايج اين مطالعه نشان داد با استفاده از ابزارهاي بيوانفورماتيكي مي‌توان به‌سهولت نسبت به دسته‌بندي آنزيم DESA1 براساس ارگانيزم آن اقدام كرد و متغير طول ژن‌ها، بهترين شاخص براي اين دسته‌بندي است. همچنين بهترين ماشين يادگيري مدل Baysian درNaive Bayse با دقت بالاي 38/97% جهت تعيين آنزيم DESA1 براي اولين بار در اين مطالعه گزارش شد.

Background and Objectives: Essential fatty acids, such as ?-linolenic acid (ALA), as an omega-3 fatty acid, and linoleic acid (LA), as an omega-6 fatty acid cannot be synthesized by human cells. Therefore, they should be provided from food sources, such as fish, soybean oil, flaxseed, and sunflower seeds. The process of ?-linolenic acid synthesis is performed by 6 enzymes, one of which is stearoyl-acyl-carrier-protein-desaturase (S-ACP-DES). This study was carried out aiming at designing prediction models to determine the structure of stearoyl-acyl carrier protein desaturase 1. Methods: Some bioinformatics tools were used to determine the most important gene features of S-ACP-DES enzyme in order to develop some organism prediction models. Then, data mining techniques, such as feature selection, decision tree, and classification models, were used to develop efficient and accurate prediction algorithms based on gene features of enzyme (S-ACP-DES) from various organisms. Results: The most important gene feature in the identification of organism structures of the enzyme (S-ACP-DES) was frequency of length. Also, the designed prediction models indicated that Naive Bayes model with FCdb criteria and accuracy of 97.83% can predict new organism enzymes based on the gene features. The above findings have been reported for the first time in this study. Conclusion: The results of this study showed that with the use of bioinformatics tools, we can classify DESA1 enzyme based on its organism, and the variable of the length of genes is the best indicator for this classification. Also, the best learning machine model in Naive Bayes was Bayesian with high accuracy of 38.97% for determination of DESA1 enzyme, which has been reported for the first time in this study.