در عصر حاضر، با پیشرفت‌های چشمگیر در فناوری‌های تعیین توالی نسل جدید (Next-Generation Sequencing)، حجم داده‌های توالی‌های بیولوژیکی به طور فزاینده‌ای افزایش یافته است. در این میان، توالی‌های پروتئینی به عنوان “زبان حیات” شناخته می‌شوند و برای کاربردها و استنتاج‌های گوناگونی مورد تجزیه و تحلیل قرار می‌گیرند. مقاله حاضر با عنوان “الاین-گرم: بازاندیشی مدل اسکیپ-گرم برای تحلیل توالی پروتئین” به بررسی روشی نوین برای نمایش توالی‌های پروتئینی با استفاده از مدل یادگیری عمیق اسکیپ-گرم می‌پردازد.

این مقاله توسط نبیل ابتهز، س. م. شخاوت حسین سوراو، محمد شمس الزوها بایزید و م. سهیل رحمان نگاشته شده است. نویسندگان این مقاله، متخصصان در زمینه‌های علوم کامپیوتر، هوش مصنوعی، یادگیری ماشین و ژنومیک هستند. زمینه تحقیقاتی آن‌ها در مرز بین بیوانفورماتیک و یادگیری ماشین قرار دارد و هدف آن‌ها توسعه روش‌های جدید برای تحلیل داده‌های بیولوژیکی با استفاده از الگوریتم‌های پیشرفته یادگیری عمیق است.

در این مطالعه، محققان به بررسی قابلیت استفاده از مدل محبوب اسکیپ-گرم (Skip-gram) در تحلیل توالی پروتئین پرداخته و تلاش کرده‌اند تا بینش‌های بیولوژیکی را در آن ادغام کنند. آن‌ها یک طرح جدید تعبیه k-mer به نام Align-gram پیشنهاد کرده‌اند که قادر است k-merهای مشابه را در فضای برداری به یکدیگر نزدیک‌تر نگاشت کند. علاوه بر این، آن‌ها سایر نمایش‌های مبتنی بر توالی پروتئین را مورد آزمایش قرار داده و مشاهده کرده‌اند که تعبیه‌های مشتق شده از Align-gram به مدل‌سازی و آموزش بهتر مدل‌های یادگیری عمیق کمک می‌کند. آزمایش‌های آن‌ها با یک مدل پایه ساده LSTM و یک مدل پیچیده‌تر CNN از DeepGoPlus، پتانسیل Align-gram را در انجام انواع مختلف کاربردهای یادگیری عمیق برای تحلیل توالی پروتئین نشان می‌دهد.

به طور خلاصه، این مقاله یک روش جدید برای نمایش توالی‌های پروتئینی ارائه می‌دهد که با در نظر گرفتن ویژگی‌های بیولوژیکی خاص این توالی‌ها، عملکرد بهتری نسبت به روش‌های سنتی در آموزش مدل‌های یادگیری عمیق ارائه می‌دهد.

روش‌شناسی تحقیق در این مقاله شامل چندین مرحله کلیدی است:

• پیش‌پردازش داده‌ها: توالی‌های پروتئینی از پایگاه‌های داده عمومی جمع‌آوری شده و برای حذف نویز و داده‌های نامعتبر، پیش‌پردازش شده‌اند.
• ایجاد k-mer: توالی‌های پروتئینی به قطعات کوچکتر به نام k-mer تقسیم شده‌اند. به عنوان مثال، برای توالی پروتئینی “ACGT”, 3-merهای آن عبارتند از: “ACG”, “CGT”. اندازه k یک پارامتر مهم است که باید با دقت انتخاب شود.
• آموزش مدل اسکیپ-گرم: مدل اسکیپ-گرم بر روی مجموعه k-merهای ایجاد شده آموزش داده شده است. مدل اسکیپ-گرم، کلمات (در اینجا k-merها) را به بردارهایی در فضای برداری نگاشت می‌کند. کلماتی که در متن (در اینجا توالی پروتئینی) بیشتر در کنار یکدیگر ظاهر می‌شوند، در فضای برداری به یکدیگر نزدیک‌تر خواهند بود.
• توسعه Align-gram: محققان با اعمال تغییراتی در مدل اسکیپ-گرم، روش جدیدی به نام Align-gram را توسعه داده‌اند که با در نظر گرفتن ویژگی‌های بیولوژیکی توالی‌های پروتئینی، تعبیه‌های بهتری را ارائه می‌دهد. این ویژگی ها می تواند شامل خواص فیزیکی-شیمیایی اسید آمینه ها باشد.
• ارزیابی مدل: عملکرد مدل Align-gram با استفاده از چندین معیار مختلف ارزیابی شده است، از جمله دقت در پیش‌بینی عملکرد پروتئین و شباهت بین پروتئین‌ها.
• مقایسه با روش‌های دیگر: نتایج حاصل از Align-gram با نتایج حاصل از سایر روش‌های موجود برای نمایش توالی‌های پروتئینی مقایسه شده است.

به عنوان مثال، برای ارزیابی مدل، می‌توان از مجموعه داده‌ای شامل پروتئین‌هایی با عملکردهای شناخته شده استفاده کرد. سپس می‌توان از تعبیه‌های تولید شده توسط Align-gram برای آموزش یک مدل یادگیری ماشین برای پیش‌بینی عملکرد پروتئین‌ها استفاده کرد. دقت پیش‌بینی این مدل می‌تواند به عنوان یک معیار برای ارزیابی کیفیت تعبیه‌های تولید شده توسط Align-gram استفاده شود.

نتایج این تحقیق نشان می‌دهد که:

• مدل Align-gram می‌تواند k-merهای مشابه را در فضای برداری به یکدیگر نزدیک‌تر نگاشت کند. این امر به این معنی است که Align-gram می‌تواند به طور موثرتری شباهت بین توالی‌های پروتئینی را捕捉 کند.
• تعبیه‌های مشتق شده از Align-gram به مدل‌سازی و آموزش بهتر مدل‌های یادگیری عمیق کمک می‌کند. این امر منجر به بهبود عملکرد مدل‌های یادگیری عمیق در وظایفی مانند پیش‌بینی عملکرد پروتئین و شناسایی پروتئین‌های مرتبط می‌شود.
• مدل Align-gram عملکرد بهتری نسبت به روش‌های سنتی نمایش توالی‌های پروتئینی ارائه می‌دهد.

به عنوان مثال، در یک آزمایش، محققان از Align-gram برای آموزش یک مدل LSTM برای پیش‌بینی عملکرد پروتئین‌ها استفاده کردند. نتایج نشان داد که مدلی که با استفاده از تعبیه‌های تولید شده توسط Align-gram آموزش داده شده بود، دقت بالاتری نسبت به مدلی که با استفاده از روش‌های سنتی آموزش داده شده بود، داشت.

روش Align-gram دارای کاربردهای بالقوه متعددی در زمینه‌های مختلف بیوانفورماتیک و زیست‌شناسی محاسباتی است. برخی از این کاربردها عبارتند از:

• پیش‌بینی عملکرد پروتئین: Align-gram می‌تواند برای پیش‌بینی عملکرد پروتئین‌ها بر اساس توالی آن‌ها استفاده شود. این امر می‌تواند به شناسایی داروهای جدید و توسعه درمان‌های جدید برای بیماری‌ها کمک کند.
• شناسایی پروتئین‌های مرتبط: Align-gram می‌تواند برای شناسایی پروتئین‌های مرتبط بر اساس شباهت توالی آن‌ها استفاده شود. این امر می‌تواند به درک بهتر ساختار و عملکرد پروتئین‌ها کمک کند.
• کشف نشانگرهای زیستی: Align-gram می‌تواند برای کشف نشانگرهای زیستی جدید برای بیماری‌ها استفاده شود. این امر می‌تواند به تشخیص زودهنگام بیماری‌ها و توسعه درمان‌های هدفمندتر کمک کند.
• بهبود دقت جستجو در پایگاه داده های پروتئینی: با استفاده از Align-gram می توان به طور موثر تری پروتئین های مشابه را در پایگاه داده های بزرگ پیدا کرد.

دستاورد اصلی این مقاله، ارائه یک روش جدید و موثر برای نمایش توالی‌های پروتئینی است که می‌تواند به بهبود عملکرد مدل‌های یادگیری عمیق در وظایف مختلف بیوانفورماتیکی کمک کند. این روش می‌تواند به محققان در درک بهتر ساختار و عملکرد پروتئین‌ها و توسعه درمان‌های جدید برای بیماری‌ها کمک کند.

مقاله “الاین-گرم: بازاندیشی مدل اسکیپ-گرم برای تحلیل توالی پروتئین” یک گام مهم در جهت توسعه روش‌های جدید برای تحلیل داده‌های بیولوژیکی با استفاده از الگوریتم‌های یادگیری عمیق است. روش Align-gram یک رویکرد نوآورانه برای نمایش توالی‌های پروتئینی ارائه می‌دهد که با در نظر گرفتن ویژگی‌های بیولوژیکی خاص این توالی‌ها، عملکرد بهتری نسبت به روش‌های سنتی در آموزش مدل‌های یادگیری عمیق ارائه می‌دهد. این تحقیق می‌تواند به پیشرفت‌های قابل توجهی در زمینه‌های مختلف بیوانفورماتیک و زیست‌شناسی محاسباتی منجر شود و به محققان در درک بهتر پیچیدگی‌های زیستی و توسعه درمان‌های جدید برای بیماری‌ها کمک کند.

در نهایت، لازم به ذکر است که این تحقیق هنوز در مراحل اولیه قرار دارد و نیاز به تحقیقات بیشتری برای بررسی کامل پتانسیل Align-gram و توسعه کاربردهای عملی آن وجود دارد.