Evoluční strategie v úloze predikce vlivu aminokyselinových mutací na stabilitu proteinu

Abstract

Tato práce se zabývá otázkou predikce změn stability proteinů v důsledku aminokyselinových mutací. Cílem je vytvořit meta-klasifikátor, který bude využívat výsledky predikcí vybraných nástrojů, použít evoluční strategii pro přiřazení vah jednotlivým nástrojům a dosáhnout tak větší úspěšnosti predikce než při použití nástrojů samostatně. Bylo vybráno celkem pět dostupných nástrojů, jejichž výsledky predikcí byly váhovány. Jsou zde zkoumány a porovnávány dvě odlišné metody evoluční strategie. První je evoluční strategie s pravidlem 1/5 a druhou je evoluční strategie s autoevolucí řídících parametrů typu 2. Pro trénování a následné ověření úspěšnosti navrženého meta-klasifikátoru byly vytvořeny dvě nezávislé sady mutací. Z provedených experimentů a dosažených výsledků byl zjištěn možný přínos evoluční strategie, ovšem za podmínek pečlivého výběru sady nástrojů a datových sad pro trénování a testování.This master's thesis deals with the matter of predicting the effects of aminoacid substitutions on protein stability. The main aim is to design meta-classifier that combines the results of the selected prediction tools. An evolution strategy was used to find the best weights for each of the selected tools with the aim of achieving better prediction performance compared to that achieved by using these tools separately. Five different and obtainable prediction tools were selected and their prediction outputs were weighted. Two different approaches of evolution strategy are investigated and compared: evolution strategy with the 1/5-rule and evolution strategy with the type 2 of control parameters self-adaptation. Two independent datasets of mutations were created for training and evaluating the performance of designed meta-classifier. The performed experiments and obtained results suggest that the evolution strategy could be considered as a~beneficial approach for prediction of protein stability changes. However, the special attention must be paid to careful selection of tools for integration and compilation of training and testing datasets.