Projek ini tertumpu kepada usaha untuk mewujudkan satu kaedah klasifikasi baru bagi meramal peptida antimikrobial (AMP). AMP adalah mewakili satu kelas dalam peptida yang bertindak sebagai sebahagian daripada sistem imun. Disebabkan eksperimen untuk mengeluarkan AMP dari jujukan protein adalah mahal dan memerlukan masa yang lebih lama untuk persediaan, alat ramalan perlu digunakan. Kaedah jarak kerumitan digunakan untuk membina alat ramalan untuk AMP dalam project ini. Algoritma kerumitan Lempel-Ziv (LZ) dan algoritma jiran terdekat telah diimplikasikan untuk meramalkan AMP. Prestasi alat tersebut dalam peramalan AMP dibandingkan dengan kaedah-kaedah yang lain, seperti penjajaran jujukan dan pemilihan ciri. Kaedah ukuran jarak kerumitan menunjukkan hasil yang lebih baik berbanding dengan kaedah penjajaran jujukan berasaskan kepekaan. Kepekaan bagi kaedah jarak kerumitan adalah 82.05% dan kepekaan bagi kaedah ciri adalah 90.87%. Kedua-dua kaedah tersebut menggunakan 150 jujukan-jujukan ujian dari pangkalan data ujian dan 12766 jujukan-jujukan latihan Walau bagaimanapun, kaedah penjajaran jujukan menunjukkan prestasi yang lebih baik berbanding dengan ukuran jarak kerumitan. Kepekaan langkah jarak kerumitan adalah 48.67% dan kepekaan kaedah ciri adalah 46.00%. Kedua-dua kaedah tresebut menggunakan 986 jujukan-jujukan ujian dari pangkalan data ujian dan 12766 jujukan-jujukan latihan. Untuk penambahbaikan di masa depan, integrasi antara kaedah penjajaran jujukan dan keadah ukuran jarak kerumitan boleh dibangunkan. Beberapa penambahbaikan di dalam program tersebut dijangka untuk penggunaan masa depan dan luas oleh saintis.
_______________________________________________________________________________________________________
This project is concentrated on the attempt to establish a new classification method for predicting Antimicrobial Peptides (AMPs). AMPs represents one of the classes in the peptides that act as a part of immune system. Since the experiment to extract AMPs from protein sequences are costly and require longer time to setup, a prediction tool based on the computational method needs to be developed to solve the problems. One of the computational methods, which is known as “complexity distance method” is used to develop the prediction tools for AMPs. Lempel-Ziv (LZ) complexity algorithm and Nearest Neighbour algorithm are implemented into this project to predict the AMPs. After completing the prediction tool, the performance on predicting AMPs will be compared to other recently developed methods, such as sequences alignment and feature selection. Complexity distance measure method shows the best result compared to feature selection method based on sensitivity. The sensitivity of complexity distance measure is 82.05% and sensitivity of sequence alignment is 90.87%. Both methods used the same 150 test sequences from test database and 12766 training sequences. However, sequence alignment method is shown to have a better performance compared to complexity distance measure. The sensitivity of complexity distance measure is 48.67 % and sensitivity of feature method is 46.00%. Both methods used the same 986 test sequences from test database and 12766 training sequences. For future improvement, integration between sequence alignment method and complexity distance measure may be developed.
Prediction of antimicrobial peptides using a complexity-based distance measure / Loo Yue Lin