پیش بینی ساختار پروتئین

آمینواسیدهای تشکیل‌دهنده پروتئین می‌توانند در تعیین ساختار دوم و سوم و چهارم پروتئین استفاده شوند. پیش‌بینی ساختار پروتئین به معنای استنتاج ساختار سه‌بعدی پروتئین از روی دنباله آمینواسیدهای آن یا به بیان دیگر تعیین ساختار دوم و سوم از روی ساختار اولیه پروتئین است. تعیین ساختار پروتئین از مبنا با مسأله طراحی یک پروتئین متفاوت است. تعیین ساختار پروتئین یکی از مسائل مهم در حوزه بیوانفورماتیک و شیمی تئوری است و اهمیت زیادی در پزشکی و زیست‌فناوری دارد. 

ساختار پروتئین

پروتئین‌ها درشت مولکول‌هایی هستند با وزن مولکولی 5000 دالتون که از پیوند کووالانسی یک سری واحدهای ساختاری به نام اسیدهای آمینه ساخته شده‌اند. تعداد،‌ ماهیت و طرز قرار گرفتن این واحدها در زنجیره پروتئینی ساختار خاص و رفتار ویژه آن­ها را تعیین می‌کند. در ساختار این مولکول‌ها، هم عامل آمین و هم عامل کربوکسیل وجود دارد که هر دو به کربن مرکزی به نام کربن آلفا متصل‌اند. همچنین به کربن آلفا ترکیبی به نام زنجیره کناری که با حرف R نشان داده می‌شود و یک مولکول هیدروژن متصل شده است. 

مدل مارکوف

مدل پنهان مارکوف[1] یک مدل مارکوف آماری است که در آن سیستم مدل شده به صورت یک فرایند مارکوف با حالت‌های مشاهده نشده (پنهان) فرض می‌شود. یک مدل پنهان مارکوف می‌تواند به عنوان ساده‌ترین شبکه بیزی پویا در نظر گرفته شود. در مدل عادی مارکوف، حالت به‌طور مستقیم توسط ناظر قابل مشاهده است و بنابراین احتمال‌های انتقال بین حالت‌ها تنها پارامترهای موجود است. در یک مدل پنهان مارکوف، حالت به‌طور مستقیم قابل مشاهده نیست، اما خروجی بسته به حالت قابل مشاهده است. 

دسته‌بندی مبتنی بر قانون

دسته‌بندی کننده‌های مبتنی بر قانون فقط نوع دیگری از دسته‌بندی کننده‌ها هستند که با استفاده از قوانین مختلف "if...else" تصمیم کلاس را می‌گیرند. این قوانین به‌راحتی قابل تفسیر هستند و بنابراین از این دسته‌بندی‌ها معمولاً برای تولید مدل‌های توصیفی استفاده می‌شود.   

روش‌های مبتنی بر انتخاب ویژگی

مساله انتخاب ویژگی، یکی از مسائلی است که در مبحث یادگیری ماشین و همچنین شناسائی آماری الگو مطرح است. این مساله در بسیاری از کاربردها (مانند طبقه بندی) اهمیت به سزائی دارد، زیرا در این کاربردها تعداد زیادی ویژگی وجود دارد، که بسیاری از آنها یا بلااستفاده هستند و یا اینکه بار اطلاعاتی چندانی ندارند. حذف نکردن این ویژگی‌ها مشکلی از لحاظ اطلاعاتی ایجاد نمی‌کند ولی بار محاسباتی را برای کاربرد مورد نظر بالا می‌برد. و علاوه بر این باعث می‌شود که اطلاعات غیر مفید زیادی را به همراه داده‌های مفید ذخیره کنیم. 

روش‌های مبتنی بر استخراج ویژگی

روش­های مبتنی بر استخراج ویژگی، یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت می‌دهند. این روش­ها به دو دسته خطی و غیرخطی تقسیم می‌شوند.روش‌های خطی که ساده‌ترند و فهم آنها راحت‌تر است بدنبال یافتن یک زیرفضای تخت عمومی هستند. اما روش­های غیرخطی که مشکل­تر هستند و تحلیل آنها سخت‌تر است بدنبال یافتن یک زیرفضای تخت محلی می‌باشند.