طبقه‌بندی پروتئین‌های بالقوه در طراحی دارو به‌کمک یادگیری بهینه و کاهش بُعد متکی‌بر خوشه‌بندی ویژگی‌ها و تحلیل مشارکتی

در دهه‌های اخیر، پیشرفت‌های سریع در حوزه پروتئومیکس و طراحی دارو، نیاز به شناخت دقیق‌تر ساختار و عملکرد پروتئین‌ها را افزایش داده است. یکی از چالش‌های اصلی در این زمینه، پیش‌بینی دقیق پروتئین‌های بالقوه برای طراحی داروهای مؤثرتر است. این پژوهش با هدف بهبود دقت و کارایی پیش‌بینی پروتئین‌های بالقوه از طریق رویکردی کارآمد انجام شده است. در این مقاله، یک روش ترکیبی نوآورانه ارائه شده است که یادگیری مبتنی بر XGBoost بهینه‌شده، الگوریتم بهینه‌سازی ازدحام ذرات، و یک گام جدید انتخاب ویژگی مبتنی بر خوشه‌بندی و تحلیل پیچیدگی مشارکتی را با هم ترکیب می‌کند. پس از پیش پردازش و استخراج ویژگی، ویژگی‌های مهم با خوشه‌بندی و انتخاب نماینده‌های کلیدی شناسایی می‌شوند. سپس، مدل‌های پیش‌بینی با استفاده از داده‌های پروتئومیکس و اطلاعات ساختاری پروتئین‌ها آموزش داده می‌شوند. در نهایت، نسخه ارتقاءیافته الگوریتم ازدحام ذرات برای بهینه‌سازی پارامترهای مدل‌های یادگیری XGBoost استفاده می‌شود. داده‌های مورد استفاده شامل پروتئومیکس و ساختارهای پروتئینی از پایگاه‌های DrugBank و Swiss-Prot هستند. نتایج نشان می‌دهد این رویکرد باعث افزایش چشمگیر دقت پیش‌بینی‌ها شده و دقت مدل‌ها را به 96/6 درصد رسانده است. این روش نوین طراحی داروهای مؤثرتر را تسهیل کرده، هزینه و زمان را کاهش داده و تحقیقات آینده را تقویت می‌کند.