Tez No	İndirme	Tez Künye	Durumu
152826	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	A computational approach to predict contact potential and desulfide bond of proteins / Proteinlerin temas matrisleri ve ikili sülfat bağı tahmini üzerine işlemsel yaklaşım Yazar:ELANUR ŞİRELİ Danışman: Y.DOÇ.DR. OSMAN UĞUR SEZERMAN Yer Bilgisi: Sabancı Üniversitesi / Mühendislik ve Fen Bilimleri Enstitüsü / Biyoloji Ana Bilim Dalı Konu:Biyoloji = Biology ; Mikrobiyoloji = Microbiology Dizin:	Onaylandı Yüksek Lisans İngilizce 2004 62 s.
ÖZET Bir proteinin temas eden amino asit ve ikili-sülfat bağı bilgileri proteinin 3 boyutlu yapısı ve fonksiyonu ile ilgili önemli ipuçları vermektedir. Bu çalışmada, bilgilerin tahmini üzerine işlemsel yaklaşım sunulmaktadır ve bu çalışmaların her ikisi de protein katlanması probleminin önemli adımlarım oluşturmaktadır. İlk çalışmada, proteinlerin temas matrikslerinin tahmini üzerine çalıştık. Tahmin işlemi için, Sinir Ağları ve Destek Vektör Makinalan tekniklerini uygulayarak, proteinlerin fiziksel (sıralanma, hacim ölçüleri), kimyasal, evrimsel (komşu bilgileri) ve yapısal (ikincil yapı) bilgileri kullanıldı. Çalışmanın sonunda, %0.6'lık temas dışı hata oram ile temas örneklerinin %14'ünü tahmin edebildik ve bu tahmin, raslantısal tahminden 9 kat daha iyidir. İkinci çalışmada, aynı parametreleri kullanarak, sistin amino asitlerinin bağlanıp ikili sülfat bağı oluşturabilirliğini tahmin ettik. Bu çalışmada SVM kullandık ve ikili- sülfat bağı talımininde %63.76 doğruluğa ulaştık.
ABSTRACT Contact map and disulfide bond information of a protein give crucial clues about 3-dimensional structure and function of a protein. In this study, we represent a computational approach to predict both contact maps and disulfide bonds of the residues inside of a protein and these studies are two of the essential steps of protein folding problem. In the first study, we predicted contacting residues of proteins using physical (ordering, length and volume), chemical (hydrophobicity), evolutionary (neighboring) and structural (secondary structure) information by implementing classification techniques, Neural Networks (NNs) and Support Vector Machines (SVMs). As a result, our method predicts 14% of the contacting residues with 0.6% false positive ratio and it performs 9 times better than a random predictor. In the second study, using the same parameters we predicted cysteine residues forming. In this study, we used SVMs, we obtained 63.76% accuracy in disulfide bond prediction.