Artificial Intelligence Analysis of Protein Compositions on Engineered Nanomaterials

Abstract

Білкові композиції, що наносяться на розроблені наноматеріали (ENM), вимагають наявності нанорозмірних білкових молекул для багатьох біохімічних цілей. Потенційна небезпека токсичності та вимога повної оцінки безпеки, спричинена складною взаємодією між наночастинками та біологічними системами, є проблемними питаннями. Ефективні флуорескамінові підходи для прогнозування білкового складу на синтетичних наноматеріалах ENM можуть уточнити біохімічні дані ENM, які знаходяться в біологічних структурах, без необхідності довгострокових тестів білкового складу. Модель стійкої логістичної регресії з оптимізованою поліпептидною хімічною реакцією (PCRO-RLRM) – це інноваційна технологія штучного інтелекту (ШІ), яка буде використана в цьому дослідженні. Білковий склад аналізують за допомогою методики нормалізації Z-score. Ключові елементи з нормалізованих даних, корисні для вивчення білків або амінокислотних ділянок, виділяються за допомогою позиційноспецифічної оціночної матриці, або PSSM. Застосування оптимізації поліпептидної хімічної реакції (PCRO) для зміни параметрів алгоритму покращує прогнозовану продуктивність методу RLRM. Результати показують, що комбінація PCRO-RLRM перевершує алгоритм аналізу складу білка за точністю (96,57 %), чутливістю (94,5 %) і специфічністю (98,03 %). Цей новий підхід має потенціал для сприяння відкриттям у біохімії на основі наноматеріалів і вдосконаленню методів біоінженерії.

Protein compositions applied on Engineered Nanomaterials (ENM) require the presence of nanoscale protein molecules for multiple biochemical uses. Potential toxicity hazards and the requirement for full safety evaluations caused by the complex interactions between nanoparticles and biological systems are issues. Effectively Fluorescamine approaches for predicting protein composition on synthetic nanomaterials ENM can clarify biochemical findings from ENMs that are in biological structures without needing long-term protein composition tests. The Polypeptide Chemical Reaction Optimized Resistant Logistic Regression Model (PCRORLRM) is an innovative Artificial Intelligence (AI) technology that would be utilized in this research. The protein composition is analyzed using the Z-score normalization technique. The key elements from the normalized data that are useful for studying proteins or amino acid areas are extracted using the PositionSpecific Scoring Matrix, or PSSM. Applying Polypeptide Chemical Reaction Optimization (PCRO) to modify the algorithm's parameters improves the predicted performance of the RLRM method. The findings reveal that the PCRO-RLRM combination is superior to the analysis of Protein Composition algorithm in accuracy (96.57 %), sensitivity (94.5 %), and specificity (98.03 %). This novel approach has the potential to promote findings in biochemistry based on nanomaterials and to improve bioengineering techniques.