Pencirian dan peramalan protein penuaan menggunakan kaedah rangkaian temporal dengan pembelajaran mendalam

Abstract

Penuaan merupakan suatu proses semula jadi dan berterusan yang bermula daripada kelahiran dan berhenti pada kematian. Proses ini bersifat dinamik, iaitu berubah bersama perubahan masa dengan kadar yang berbeza bagi setiap individu. Kajian ini bertujuan untuk membina rangkaian temporal protein penuaan untuk memenuhi sifat protein penuaan yang dinamik dan menganalisis tingkah laku protein penuaan dalam rangkaian tersebut menggunakan pengukuran rangkaian. Rangkaian temporal protein penuaan adalah hasil gabungan antara data rangkaian statik interaksi protein-protein dan juga data ungkapan gen otak manusia yang terdiri daripada 173 sampel, diambil daripada 55 individu yang berbeza antara umur 21 hingga 99 tahun. Lima pengukuran rangkaian yang utama telah digunakan untuk menganalisis sifat protein penuaan iaitu darjah, pemusatan kedekatan, pemusatan pengantaraan, pekali gugusan tempatan dan kesamaan tempatan. Hasil kajian berdasarkan hubungan antara pengukuran rangkaian menunjukkan beberapa aspek penting iaitu protein penuaan berpotensi menjadi pengantara penting apabila mempunyai darjah yang tinggi dan seterusnya perkara ini menyumbang kepada kerentanan rangkaian protein penuaan. Disamping itu, berdasarkan 1% nilai pengukuran rangkaian tertinggi, protein P19387, Q9BTM9 dan O60341 telah dikenal pasti sebagai calon protein penuaan. Selain itu, dalam sistem biologi, interaksi antara protein membentuk laluan dan telah dikenalpasti menyumbang kepada penuaan. Oleh itu, dengan menggunakan rangkaian, kajian ini juga bertujuan untuk mengenal pasti ciri yang mempengaruhi penuaan secara topologi. Sebanyak dua puluh pengukuran rangkaian telah digunakan dalam kaedah analisis faktor untuk memperoleh faktor tersembunyi yang dikongsi antara pengukuran rangkaian tersebut. Hasil analisis faktor menunjukkan faktor utama dalam mengawal rangkaian adalah faktor laluan antara protein. Dua puluh pengukuran rangkaian tersebut juga digunakan untuk tujuan utama kajian, iaitu ramalan protein penuaan menggunakan kaedah pembelajaran mendalam (DL). DL adalah kaedah berasaskan rangkaian neural buatan yang mimik kepada fungsi pemikiran manusia dalam menganalisis maklumat. Bagi meningkatkan prestasi ramalan protein penuaan dan mengatasi masalah set data tak seimbang serta lebih suaian, kaedah ensembel penindanan yang diberi nama StaCDeepAArP digunakan dalam kajian ini. StaCDeepAArP adalah model ensembel penindanan daripada dua model pembelajaran mendalam, iaitu perseptron pelbagai lapisan (MLP) dan rangkaian neural perlingkaran (CNN). MLP dua lapisan tersembunyi pula digunakan sebagai pembelajaran meta. Model yang telah dibina ini berjaya menunjukkan hasil ramalan yang baik dengan mencapai nilai luas bawah lengkung (AUC) tertinggi 0.93.