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

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, çeşitli biyolojik süreçlerde hayati roller oynayarak yaşam için gerekli olan hücresel işlevleri düzenler. Bu etkileşimlerin gerçekleştiği arayüzler, hastalık yollarının altında yatan mekanizmaları anlamak için odak noktalarıdır. Protein-protein arayüzlerinin doğru temsili, biyolojik önemlerini çözmek ve terapötik müdahaleler tasarlamak için zorunludur. Bu tez, büyük bir veri setinden temsiller öğrenmek için bir graf tabanlı çoklu görüş karşılaştırmalı otomatik kodlayıcı ve bir transformer kullanan yeni bir yaklaşım sunmaktadır. Kapsamlı değerlendirmeler, yöntemin protein-protein arayüzlerinin yapısal ve işlevsel özelliklerini doğru bir şekilde yakalamadaki etkinliğini göstermektedir. Öğrenilen temsiller, biyolojik alaka tahmini, biyolojik ve kristal sınıflandırma ve Gen Ontolojisi terim tahmini gibi görevlerde uygulanarak, PPI'ları anlamadaki çok yönlülüğünü ve faydasını ortaya koymaktadır. Açıklanabilir yapay zeka tekniklerini entegre ederek, model tahminlerine katkıda bulunan anahtar özellikler belirlenmekte ve sonuçların yorumlanabilirliği artırılmaktadır. Ayrıntılı bir vaka çalışması, bu yöntemlerin pratik uygulamasını göstermekte ve biyolojik araştırma ve ilaç keşfi için sağladığı eyleme geçirilebilir içgörüleri vurgulamaktadır. Genel olarak, bu tez, protein-protein etkileşimlerini anlamayı ilerleterek, arayüzlerin karmaşık yapısal ve işlevsel özelliklerini yakalayan yorumlanabilir temsiller sağlayarak biyomedikal çalışmaları ve terapötik gelişmeleri kolaylaştırmaktadır.