بررسي عوامل موثر بر حساسيت حسگرهاي الكتروشيميايي و پيش‌بيني pKa پروتئين‌ها با استفاده از يادگيري ماشين

اصفهان : دانشگاه صنعتي اصفهان

شيمي

كارشناسي ارشد

در اين پژوهش، از مدل‌هاي يادگيري ماشين جهت پيش‌بيني جريان خروجي حسگرهاي الكتروشيميايي و مقادير pKa در پروتئين‌ها استفاده شد. هدف كار اول طراحي يك مدل پيشرفته يادگيري ماشين براي پيش‌بيني مقدار جريان در يك حسگر الكتروشيميايي است، و در كار دوم، مدلي براي پيش‌بيني مقادير pKa ارائه مي‌شود كه براي درك رفتار تفكيك اسيدي پروتئين‌ها بسيار مهم است. در زمينه حسگر الكتروشيميايي، بر روي مدل‌هاي يادگيري ماشين تمركز شده است تا عملكرد و قابليت اطمينان يك حسگر الكتروشيميايي را افزايش دهد. هدف، طراحي يك مدل يادگيري ماشين براي پيش‌بيني ميزان جريان در سنسور مبتني بر پليمر قالب مولكولي است. سنسورهاي مبتني بر پليمرهاي قالب مولكولي از پليمرهايي ساخته مي‌شوند كه به‌طور خاص براي تشخيص مولكول‌هاي هدف طراحي شده‌اند. اين سنسورها با ايجاد حفره‌هايي در ساختار پليمر كه متناسب با شكل و اندازه مولكول هدف هستند، مي‌توانند آن را شناسايي و اندازه‌گيري كنند. اين ويژگي‌ها باعث دقت بالا و انتخاب‌پذيري در تشخيص مي‌شوند. ويژگي‌هاي مورد استفاده در اين مطالعه شامل ميزان بارگذاري نانولوله‌هاي كربني چند‌جداره روي سطح، غلظت داكسوروبيسين، غلظت پيرول، تعداد چرخه‌هاي ولتامتري چرخه‌اي الكتروپليمريزاسيون، سرعت اسكن ولتامتري چرخه‌اي الكتروپليمريزاسيون، تعداد چرخه‌هاي اسكن ولتامتري چرخه‌اي در طول بيش‌اكسيداسيون و زمان انكوباسيون مي‌باشد. از چهار مدل يادگيري ماشين براي ارزيابي تأثير هر پارامتر بر عملكرد پيش‌بيني، با استفاده از روش SHAP براي تعيين اهميت ويژگي استفاده شده است. بر اساس تجزيه و تحليل، حذف يك ويژگي كمتر تاثيرگذار و معرفي يك ويژگي جديد به طور قابل توجهي قابليت‌هاي پيش‌بيني مدل را بهبود بخشيد. علاوه‌براين، استفاده از تكنيك مقياس‌بندي Min-Max تضمين كرد كه همه ويژگي‌ها به طور متناسب در فرآيند يادگيري مدل مشاركت دارند. مدل‌هاي مختلف يادگيري ماشين در مجموعه داده‌ها اعمال شده است و عملكرد آنها در پيش‌بيني جريان خروجي سنسور مقايسه شد. براي افزايش بيشتر عملكرد پيش‌بيني، از تكنيك رگرسور انباشته استفاده شد كه در آن مدل‌هاي رگرسيون پايه تركيب مي‌شود، از نقاط قوت آنها استفاده شده و ضعف‌هاي فردي آنها را جبران مي‌كند. اين رگرسور انباشته در نهايت منجر به مدلي شد كه هم از نظر عملكرد و هم از نظر قابليت اطمينان از ساير مدل‌هاي فردي بهتر عمل كرد. به طور مشابه، در پيش‌بيني مقادير pKa پروتئين، با انتخاب دقيق مجموعه‌اي از ويژگي‌هايي كه ويژگي‌هاي ذاتي باقي‌مانده‌هاي مولكولي و اثرات محيط مولكولي را نشان مي‌دهد، يك رويكرد مبتني بر يادگيري ماشين توسعه داده شد. اين ويژگي‌ها شامل نام باقي‌مانده، فاكتور B، دسترسي به سطح، تعداد پيوندهاي هيدروژني، تعداد اتم‌هاي سنگين و تعداد باقي‌مانده‌هاي قابل يونيزاسيون است، كه اين ويژگي‌ها به عوامل مؤثر بر pKa مانند هويت شيميايي، قرار گرفتن در معرض حلال وشبكه‌هاي پيوند هيدروژني مرتبط هستند. مدل‌هاي رگرسيون مختلفي از جمله رگرسيون خطي، رگرسيون بردار پشتيبان، جنگل‌هاي تصادفي اعمال شده است و عملكرد آنها با استفاده از تكنيك‌هاي اعتبارسنجي متقاطع بر اساس معيارهايي مانند ميانگين خطاي مطلق (MAE) و ريشه ميانگين مربعات خطا (RMSE) ارزيابي شد. همانند كار حسگر الكتروشيميايي، تكنيك رگرسور انباشته منجر به بهترين مدل شد كه با ثبت مؤثر روابط پيچيده بين ويژگي‌هاي انتخاب شده و مقادير pKa ، به بالاترين سطح عملكرد پيش‌بيني دست يافت. به طور كلي، تحقيقات ما اثربخشي يادگيري ماشين را، به ويژه از طريق رويكردهاي مجموعه‌اي مانند رگرسور انباشته، در بهبود مدل‌سازي پيش‌بيني در حسگر الكتروشيميايي و بيوشيمي نشان مي‌دهد.

230678

تجزيه

شيمي

دانشگاه صنعتي اصفهان