Publication:
Multiview contrastive autoencoder-transformer approach for protein-protein interface representation: Unveiling biological and functional insights

Thumbnail Image

School / College / Institute

Organizational Unit

Program

Computer Sciences and Engineering

KU-Authors

KU Authors

Co-Authors

Authors

YƖK Thesis ID

904941

Approval Date

Publication Date

Language

Embargo Status

No

Journal Title

Journal ISSN

Volume Title

Alternative Title

Protein-protein arayüzü gösterimi için çoklu görünümlü karşılaştırmalı otomatik kodlayıcı-transformatör yaklaşımı: Biyolojik ve işlevsel içgörülerin ortaya çıkarılması

Abstract

Protein-protein interactions (PPIs) play pivotal roles in various biological processes, orchestrating cellular functions essential for life. The interfaces where these interactions occur serve as focal points for understanding the mechanisms underlying disease pathways. Accurate representation of these interfaces is crucial for deciphering their biological significance and designing therapeutic interventions. This thesis introduces a novel approach for representing protein-protein interfaces using a graph-based multiview contrastive autoencoder combined with a transformer, which learns representations from a large dataset. Comprehensive evaluations demonstrate the method's effectiveness in capturing the structural and functional characteristics of protein-protein interfaces. The learned representations are applied to tasks such as biological relevance prediction, biological vs. crystal classification, and Gene Ontology term prediction, showcasing their versatility and utility in understanding PPIs. By integrating explainable AI techniques, key features contributing to model predictions are identified, enhancing the interpretability of the results. A detailed case study illustrates the practical application of these methods, highlighting their potential to provide actionable insights for biological research and drug discovery. Overall, this thesis advances the understanding of protein-protein interactions by providing interpretable representations that capture the complex structural and functional characteristics of interfaces, thereby facilitating biomedical studies and therapeutic developments.
Protein-protein etkileşimleri, Ƨeşitli biyolojik süreƧlerde hayati roller oynayarak yaşam iƧin gerekli olan hücresel işlevleri düzenler. Bu etkileşimlerin gerƧekleştiği arayüzler, hastalık yollarının altında yatan mekanizmaları anlamak iƧin odak noktalarıdır. Protein-protein arayüzlerinin doğru temsili, biyolojik ƶnemlerini Ƨƶzmek ve terapƶtik müdahaleler tasarlamak iƧin zorunludur. Bu tez, büyük bir veri setinden temsiller öğrenmek iƧin bir graf tabanlı Ƨoklu gƶrüş karşılaştırmalı otomatik kodlayıcı ve bir transformer kullanan yeni bir yaklaşım sunmaktadır. Kapsamlı değerlendirmeler, yƶntemin protein-protein arayüzlerinin yapısal ve işlevsel ƶzelliklerini doğru bir şekilde yakalamadaki etkinliğini gƶstermektedir. Ɩğrenilen temsiller, biyolojik alaka tahmini, biyolojik ve kristal sınıflandırma ve Gen Ontolojisi terim tahmini gibi gƶrevlerde uygulanarak, PPI'ları anlamadaki Ƨok yƶnlülüğünü ve faydasını ortaya koymaktadır. AƧıklanabilir yapay zeka tekniklerini entegre ederek, model tahminlerine katkıda bulunan anahtar ƶzellikler belirlenmekte ve sonuƧların yorumlanabilirliği artırılmaktadır. Ayrıntılı bir vaka Ƨalışması, bu yƶntemlerin pratik uygulamasını gƶstermekte ve biyolojik araştırma ve ilaƧ keşfi iƧin sağladığı eyleme geƧirilebilir iƧgƶrüleri vurgulamaktadır. Genel olarak, bu tez, protein-protein etkileşimlerini anlamayı ilerleterek, arayüzlerin karmaşık yapısal ve işlevsel ƶzelliklerini yakalayan yorumlanabilir temsiller sağlayarak biyomedikal Ƨalışmaları ve terapƶtik gelişmeleri kolaylaştırmaktadır.

Source

Publisher

KoƧ University

Subject

Protein-protein interactions, Computational biology, Bioinformatics

Citation

Has Part

Source

Book Series Title

Edition

DOI

item.page.datauri

Link

Rights

restrictedAccess

Copyrights Note

© All Rights Reserved. Accessible to Koç University Affiliated Users Only!

Endorsement

Review

Supplemented By

Referenced By

0

Views

0

Downloads