A novel alignment-free vector method to cluster protein sequences

طبقه بندی پروتئین موضوعات حیاتی در زیست شناسی است. تعداد پروتئین های ذخیره شده در پایگاه های داده در دهه گذشته به شدت افزایش می یابد. به طور سنتی، مقایسه توالی پروتئین ها معمولا از طریق روش های هماهنگی چندگانه انجام می شود. با این حال، این روش ها ممکن است برای خوشه بندی توالی پروتئین ها در هنگام بازسازی ژن ها مانند در ژنوم های ویروسی مناسب نباشند. محاسبات برای داده های بزرگ با ژنوم های طولانی نیز بسیار وقت گیر است. در این مقاله، بر اساس سه ویژگی مهم بیوشیمیایی اسید آمینه: شاخص هیدروپاتیت، نیاز قطبی و ترکیب شیمیایی زنجیره جانبی، ما یک بردار ویژگی 24 بعدی ارائه می دهیم که ترکیب آمینو اسیدها را در توالی پروتئین توصیف می کند. روش ما نه تنها از خواص شیمیایی اسید های آمینه بهره می برد بلکه بر تعداد و موقعیت آنها نیز تأثیر می گذارد. نتایج بر روی بتا گلوبین، پستانداران و سه مجموعه داده ویروس نشان می دهد که این ابزار جدید سریع و دقیق برای طبقه بندی پروتئین ها و ارزیابی فلیوگنی موجودات زنده است.