PROTEIN SECONDARY STRUCTURE PREDICTION WITH NEURAL NETWORKErtan ATARElectronics and Communications Engineering, M.Sc. ThesisIn Proteins are one of the most important parts of an organism because of their vital tasks.Consequently, it is necessary to know both the primary and secondary structures of proteinsas closely related to its biological function. Secondary structures of proteins are much morecomplicated and much more functional than primary structures of proteins. Discovery ofproteins secondary structures is both very difficult and very expensive. Besides it requires alot of time. On the contrary, Artificial Neural Networks (ANNs) are a useful methodology forsecondary structure prediction of proteins as a more automated, cheaper, and less laborintensive approach.In this study, all of the data were obtained from PDB (Protein Data Bank)(http://www.rcsb.org/pdb/). Then, the letter data were converted to numerical data andprocessed with ANNs by a Matlab program. Twenty different types of data and five differenttypes of ANN algorithms were used. The twenty different type data were Hemoglobin-141protein seven different kinds of sliding windows (11-13-15-17-19-21-23), Hemoglobin-146protein seven different kinds of sliding windows (11-13-15-17-19-21-23), fifteen new proteinpresented at the Fifth Community Wide Experiment on the Critical Assessment of Techniquesfor Protein Structure Prediction Asilomar Conference Center in 2003 three with kinds ofsliding windows (11-15-19) and the same proteins three different kinds of sliding windows(11-15-19) without the sheet structures. The five different types ANNs were Self OrganizingGlobal Ranking Algorithm (SOGR), Multilayer Perceptron (MLP), Probabilistic NeuralNetwork (PNN), Generalized Regression Neural Network (GRNN) and Self Organizing Maps(SOMs). In general, results were very satisfactory, and the SOGR had the highest testingaccuracies.Keywords: Protein secondary structure prediction, Protein Data Bank, Self OrganizingGlobal Ranking Algorithm, Multilayer Perceptron, Probabilistic Neural Network, GeneralizedRegression Neural Network, Self Organizing Maps.JURY:1. Asst. Prof. Dr. Lale ÖZYILMAZ (Supervisor) Date: 15.09.20052. Assoc. Prof. Dr Tülay YILDIRIM Page: 883. Asst. Prof. Dr. Songül ALBAYRAK.

YAPAY S N R AĞLARI LE PROTE NLER N K NC L YAPILARININKEST R MErtan ATARElektronik ve Haberleşme Mühendisliği, Yüksek Lisans TeziProteinler, önemli görevlerinden dolayı organizmaların en önemli bölümlerindendir.Proteinlerin biyolojik fonksiyonu ile proteinlerin birincil ve özellikle de ikincil yapısı çokyakın ilişkilidir ve bu nedenle proteinlerin ikincil yapılarının bilinmesi gereklidir. Proteinlerinikincil yapıları birincil yapılarına göre çok daha karmaşık ve çok daha fonksiyoneldir. Proteinikincil yapılarının deneysel olarak bulunması hem çok zor olmakta, hem çok zaman almaktahem de çok pahalı olmaktadır. Bunun tersi yapay sinir ağları (YSA), proteinlerin ikincilyapılarının kestirimi için çok kullanılışlı bir yöntemdir.Bu çalışmada kullanılan harfsel bütün datalar PDB'den (Protein Data Bankası)(http://www.rcsb.org/pdb/) elde edilmiş daha sonra harfsel datalar Matlab 7.0'da yazılan birprogramla yapay sinir ağlarına protein ikincil yapı kestirimi yapılabilmesi için uygun sayısalformatlı datalara dönüştürülmüştür. Yirmi farklı tip data ve beş ayrı tip YSA algoritmasıoluşturulmuştur. Bu yirmi farklı data Hemoglobin-141 proteini yedi (11-13-15-17-19-21-23)farklı pencere boyutuyla, Hemoglobin-146 proteini yedi (11-13-15-17-19-21-23) farklıpencere boyutuyla, ayrıca 2003 yılında yapılan Protein Yapı Konferansı'nda sunulan on beşyeni proteinin üç (11-15-19) farklı pencere boyutuyla ve son olarak bu on beş proteinin tabakayapısı çıkarılmış olarak üç (11-15-19) farklı pencere boyutuyla oluşturulmuş datalardır. Bubeş farklı YSA algoritması ise Kendi Kendine Organize Olan Global Sıralamalı SınıflamaAlgoritması (SOGR), Çok Katmanlı Algılayıcı (MLP), Olasılıklı YSA (PNN),Genelleştirilmiş Regresyon YSA (GRNN), Kendi Kendine Organize Olan Haritalar (SOMs)şeklindeki algoritmalardır. SOGR algoritması ise SOM'a karşı 2004 yılının sonundatamamlanmış yepyeni bir algoritmadır. Genel olarak sonuçlar çok iyi çıkmıştır ve test başarımoranı en yüksek SOGR algoritmasında görülmüştür.Anahtar kelimeler: Protein ikincil yapı kestirimi, Protein Data Bankası, Kendi KendineOrganize Olan Global Sıralamalı Sınıflama Algoritması, Çok Katmanlı Algılayıcı, OlasılıklıYSA, Genelleştirilmiş Regresyon YSA, Kendi Kendine Organize Olan Haritalar.JÜR :1. Y. Doç. Dr. Lale ÖZYILMAZ (Danışman) Kabul tarihi: 15.09.20052. Doç. Dr. Tülay YILDIRIM Sayfa Sayısı: 883. Y. Doç. Dr. Songül ALBAYRAK.