{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5359801"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5359801","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Predicting protein-membrane interfaces of peripheral membrane proteins using machine learning","abstract":"Οι περιφερικές μεμβρανικές πρωτεΐνες αποτελούν βασικά συστατικά σε διάφορες βιολογικές διεργασίες, συμπεριλαμβανομένης της κυτταρικής διαφοροποίησης, του πολλαπλασιασμού και της διακυτταρικής επικοινωνίας. Οι πρωτεΐνες αυτές εμφανίζουν παροδική σύνδεση με τη λιπιδική διπλοστιβάδα και ρυθμίζονται μέσω ποικίλων μηχανισμών ανάλογα με τις ειδικές λειτουργίες τους. Η ακριβής πρόσδεση είναι απαραίτητη για την κυτταρική ομοιόσταση, καθώς η προσκόλληση πρωτεΐνης-μεμβράνης ευθύνεται για την ανάπτυξη πολλών ασθενειών. Η μελέτη τους συχνά δυσχεραίνεται λόγω της εγγενούς δυσκολίας χαρακτηρισμού της διεπιφάνειας πρωτεΐνης-μεμβράνης μέσω πειραματικών τεχνικών. Για τον λόγο αυτό, οι περιοχές πρόσδεσης στη μεμβράνη πολλών περιφερικών μεμβρανικών πρωτεϊνών παραμένουν άγνωστες. Αυτός ο περιορισμός έχει δημιουργήσει την ανάγκη για την ανάπτυξη ισχυρών υπολογιστικών προσεγγίσεων για την πρόβλεψη των διεπιφανειών πρωτεΐνης-μεμβράνης. Ωστόσο, οι τρέχουσες υπολογιστικές προσεγγίσεις συχνά περιορίζονται από χαμηλή ακρίβεια ή υπερβολικό χρόνο επεξεργασίας. Αυτοί οι περιορισμοί, σε συνδυασμό με την έλλειψη δομικών δεδομένων υψηλής πιστότητας, αυξάνουν το κόστος ανάπτυξης μικρομορίων που στοχεύουν στη διεπιφάνεια πρωτεΐνης-μεμβράνης. Για τον εντοπισμό των διεπιφανειών πρωτεΐνης-μεμβράνης, αναπτύχθηκε ένα μοντέλο μηχανικής μάθησης συνόλου (ensemble), το οποίο προβλέπει τα αμινοξέα αλληλεπίδρασης πρωτεΐνης-μεμβράνης. Η εκπαίδευση αυτού του μοντέλου βασίστηκε στην ενοποίηση δύο διακριτών συνόλων δεδομένων. Επιμεληθήκαμε το πρώτο σύνολο δεδομένων, συλλέγοντας χειροκίνητα μέσω μιας εκτενούς ανασκόπησης της πρόσφατης βιβλιογραφίας. To δεύτερο σύνολο δεδομένων έχει δημοσιευθεί στην πρόσφατη βιβλιογραφία και περιλαμβάνει δεδομένα αμινοξέων που προσδένονται στην διεπιφάνεια της μεμβράνης από ένα φάσμα 9 πρωτεϊνικών οικογενειών, παρέχοντας έτσι μια πιο ολοκληρωμένη αναπαράσταση των αλληλεπιδράσεων των αμινοξέων με τις μεμβράνες. Για τις πρωτεΐνες του ενοποιημένου συνόλου δεδομένων, εξαγάγαμε φυσικοχημικούς περιγραφείς αμινοξέων, γεωμετρικά χαρακτηριστικά και ενσωματώσεις (embeddings) από γλωσσικά μοντέλα πρωτεϊνών βασισμένα σε βαθιά μάθηση, με στόχο την αποτύπωση ποικίλων ακολουθιακών και δομικών σημάτων για την εκπαίδευση του μοντέλου. Για την αντιμετώπιση της ανισορροπίας κλάσεων και της έλλειψης πειραματικής επισημάνσεως, επεκτείναμε επίσης τις περιοχές αλληλεπίδρασης πρωτεΐνης–μεμβράνης χρησιμοποιώντας μια απλή στρατηγική διεύρυνσης. Στη συνέχεια, εφαρμόστηκε επιβλεπόμενη εκπαίδευση Μηχανικής Μάθησης με δυαδική ταξινόμηση για την πρόβλεψη των αμινοξέων που αλληλεπιδρούν με τη μεμβράνη. Η υψηλότερη προγνωστική απόδοση παρατηρήθηκε σε ένα μοντέλο εκπαιδευμένο σε μη διευρυμένες πειραματικές επισημειώσεις αμινοξέων με χρήση φυσικοχημικών και γεωμετρικών χαρακτηριστικών, αποδίδοντας Συντελεστή Συσχέτισης Matthews (MCC) 0.558 και βαθμολογία F1 Macro 0.776. Το δεύτερο καλύτερο μοντέλο εκπαιδεύτηκε χρησιμοποιώντας το ενοποιημένο σύνολο δεδομένων με διευρυμένες επισημειώσεις, παράλληλα με ένα σύνολο όλων των διαθέσιμων χαρακτηριστικών. H παρούσα εργασία συνδυάζει πειραματικές επισημειώσεις με διευρυμένες περιοχές διεπιφάνειας και αξιολογεί τη σχέση συμβιβασμού (trade-off) μεταξύ φυσικοχημικών περιγραφέων και διανυσματικών αναπαραστάσεων γλωσσικών μοντέλων πρωτεϊνών.","abstract_html":"Οι περιφερικές μεμβρανικές πρωτεΐνες αποτελούν βασικά συστατικά σε διάφορες βιολογικές διεργασίες, συμπεριλαμβανομένης της κυτταρικής διαφοροποίησης, του πολλαπλασιασμού και της διακυτταρικής επικοινωνίας. Οι πρωτεΐνες αυτές εμφανίζουν παροδική σύνδεση με τη λιπιδική διπλοστιβάδα και ρυθμίζονται μέσω ποικίλων μηχανισμών ανάλογα με τις ειδικές λειτουργίες τους. Η ακριβής πρόσδεση είναι απαραίτητη για την κυτταρική ομοιόσταση, καθώς η προσκόλληση πρωτεΐνης-μεμβράνης ευθύνεται για την ανάπτυξη πολλών ασθενειών. Η μελέτη τους συχνά δυσχεραίνεται λόγω της εγγενούς δυσκολίας χαρακτηρισμού της διεπιφάνειας πρωτεΐνης-μεμβράνης μέσω πειραματικών τεχνικών. Για τον λόγο αυτό, οι περιοχές πρόσδεσης στη μεμβράνη πολλών περιφερικών μεμβρανικών πρωτεϊνών παραμένουν άγνωστες. Αυτός ο περιορισμός έχει δημιουργήσει την ανάγκη για την ανάπτυξη ισχυρών υπολογιστικών προσεγγίσεων για την πρόβλεψη των διεπιφανειών πρωτεΐνης-μεμβράνης. Ωστόσο, οι τρέχουσες υπολογιστικές προσεγγίσεις συχνά περιορίζονται από χαμηλή ακρίβεια ή υπερβολικό χρόνο επεξεργασίας. Αυτοί οι περιορισμοί, σε συνδυασμό με την έλλειψη δομικών δεδομένων υψηλής πιστότητας, αυξάνουν το κόστος ανάπτυξης μικρομορίων που στοχεύουν στη διεπιφάνεια πρωτεΐνης-μεμβράνης. Για τον εντοπισμό των διεπιφανειών πρωτεΐνης-μεμβράνης, αναπτύχθηκε ένα μοντέλο μηχανικής μάθησης συνόλου (ensemble), το οποίο προβλέπει τα αμινοξέα αλληλεπίδρασης πρωτεΐνης-μεμβράνης. Η εκπαίδευση αυτού του μοντέλου βασίστηκε στην ενοποίηση δύο διακριτών συνόλων δεδομένων. Επιμεληθήκαμε το πρώτο σύνολο δεδομένων, συλλέγοντας χειροκίνητα μέσω μιας εκτενούς ανασκόπησης της πρόσφατης βιβλιογραφίας. To δεύτερο σύνολο δεδομένων έχει δημοσιευθεί στην πρόσφατη βιβλιογραφία και περιλαμβάνει δεδομένα αμινοξέων που προσδένονται στην διεπιφάνεια της μεμβράνης από ένα φάσμα 9 πρωτεϊνικών οικογενειών, παρέχοντας έτσι μια πιο ολοκληρωμένη αναπαράσταση των αλληλεπιδράσεων των αμινοξέων με τις μεμβράνες. Για τις πρωτεΐνες του ενοποιημένου συνόλου δεδομένων, εξαγάγαμε φυσικοχημικούς περιγραφείς αμινοξέων, γεωμετρικά χαρακτηριστικά και ενσωματώσεις (embeddings) από γλωσσικά μοντέλα πρωτεϊνών βασισμένα σε βαθιά μάθηση, με στόχο την αποτύπωση ποικίλων ακολουθιακών και δομικών σημάτων για την εκπαίδευση του μοντέλου. Για την αντιμετώπιση της ανισορροπίας κλάσεων και της έλλειψης πειραματικής επισημάνσεως, επεκτείναμε επίσης τις περιοχές αλληλεπίδρασης πρωτεΐνης–μεμβράνης χρησιμοποιώντας μια απλή στρατηγική διεύρυνσης. Στη συνέχεια, εφαρμόστηκε επιβλεπόμενη εκπαίδευση Μηχανικής Μάθησης με δυαδική ταξινόμηση για την πρόβλεψη των αμινοξέων που αλληλεπιδρούν με τη μεμβράνη. Η υψηλότερη προγνωστική απόδοση παρατηρήθηκε σε ένα μοντέλο εκπαιδευμένο σε μη διευρυμένες πειραματικές επισημειώσεις αμινοξέων με χρήση φυσικοχημικών και γεωμετρικών χαρακτηριστικών, αποδίδοντας Συντελεστή Συσχέτισης Matthews (MCC) 0.558 και βαθμολογία F1 Macro 0.776. Το δεύτερο καλύτερο μοντέλο εκπαιδεύτηκε χρησιμοποιώντας το ενοποιημένο σύνολο δεδομένων με διευρυμένες επισημειώσεις, παράλληλα με ένα σύνολο όλων των διαθέσιμων χαρακτηριστικών. H παρούσα εργασία συνδυάζει πειραματικές επισημειώσεις με διευρυμένες περιοχές διεπιφάνειας και αξιολογεί τη σχέση συμβιβασμού (trade-off) μεταξύ φυσικοχημικών περιγραφέων και διανυσματικών αναπαραστάσεων γλωσσικών μοντέλων πρωτεϊνών.","abstract_has_math":false,"creators":["Δημητριάδης Σωτήριος","Dimitriadis Sotirios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:01:51Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5359801"],"render_values":[{"text":"uoadl:5359801","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5359801","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Δημητριάδης Σωτήριος","Dimitriadis Sotirios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5359801","https://pergamos.lib.uoa.gr/uoa/dl/object/5359801"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι περιφερικές μεμβρανικές πρωτεΐνες αποτελούν βασικά συστατικά σε διάφορες βιολογικές διεργασίες, συμπεριλαμβανομένης της κυτταρικής διαφοροποίησης, του πολλαπλασιασμού και της διακυτταρικής επικοινωνίας. Οι πρωτεΐνες αυτές εμφανίζουν παροδική σύνδεση με τη λιπιδική διπλοστιβάδα και ρυθμίζονται μέσω ποικίλων μηχανισμών ανάλογα με τις ειδικές λειτουργίες τους. Η ακριβής πρόσδεση είναι απαραίτητη για την κυτταρική ομοιόσταση, καθώς η προσκόλληση πρωτεΐνης-μεμβράνης ευθύνεται για την ανάπτυξη πολλών ασθενειών. Η μελέτη τους συχνά δυσχεραίνεται λόγω της εγγενούς δυσκολίας χαρακτηρισμού της διεπιφάνειας πρωτεΐνης-μεμβράνης μέσω πειραματικών τεχνικών. Για τον λόγο αυτό, οι περιοχές πρόσδεσης στη μεμβράνη πολλών περιφερικών μεμβρανικών πρωτεϊνών παραμένουν άγνωστες. Αυτός ο περιορισμός έχει δημιουργήσει την ανάγκη για την ανάπτυξη ισχυρών υπολογιστικών προσεγγίσεων για την πρόβλεψη των διεπιφανειών πρωτεΐνης-μεμβράνης. Ωστόσο, οι τρέχουσες υπολογιστικές προσεγγίσεις συχνά περιορίζονται από χαμηλή ακρίβεια ή υπερβολικό χρόνο επεξεργασίας. Αυτοί οι περιορισμοί, σε συνδυασμό με την έλλειψη δομικών δεδομένων υψηλής πιστότητας, αυξάνουν το κόστος ανάπτυξης μικρομορίων που στοχεύουν στη διεπιφάνεια πρωτεΐνης-μεμβράνης. Για τον εντοπισμό των διεπιφανειών πρωτεΐνης-μεμβράνης, αναπτύχθηκε ένα μοντέλο μηχανικής μάθησης συνόλου (ensemble), το οποίο προβλέπει τα αμινοξέα αλληλεπίδρασης πρωτεΐνης-μεμβράνης. Η εκπαίδευση αυτού του μοντέλου βασίστηκε στην ενοποίηση δύο διακριτών συνόλων δεδομένων. Επιμεληθήκαμε το πρώτο σύνολο δεδομένων, συλλέγοντας χειροκίνητα μέσω μιας εκτενούς ανασκόπησης της πρόσφατης βιβλιογραφίας. To δεύτερο σύνολο δεδομένων έχει δημοσιευθεί στην πρόσφατη βιβλιογραφία και περιλαμβάνει δεδομένα αμινοξέων που προσδένονται στην διεπιφάνεια της μεμβράνης από ένα φάσμα 9 πρωτεϊνικών οικογενειών, παρέχοντας έτσι μια πιο ολοκληρωμένη αναπαράσταση των αλληλεπιδράσεων των αμινοξέων με τις μεμβράνες. Για τις πρωτεΐνες του ενοποιημένου συνόλου δεδομένων, εξαγάγαμε φυσικοχημικούς περιγραφείς αμινοξέων, γεωμετρικά χαρακτηριστικά και ενσωματώσεις (embeddings) από γλωσσικά μοντέλα πρωτεϊνών βασισμένα σε βαθιά μάθηση, με στόχο την αποτύπωση ποικίλων ακολουθιακών και δομικών σημάτων για την εκπαίδευση του μοντέλου. Για την αντιμετώπιση της ανισορροπίας κλάσεων και της έλλειψης πειραματικής επισημάνσεως, επεκτείναμε επίσης τις περιοχές αλληλεπίδρασης πρωτεΐνης–μεμβράνης χρησιμοποιώντας μια απλή στρατηγική διεύρυνσης. Στη συνέχεια, εφαρμόστηκε επιβλεπόμενη εκπαίδευση Μηχανικής Μάθησης με δυαδική ταξινόμηση για την πρόβλεψη των αμινοξέων που αλληλεπιδρούν με τη μεμβράνη. Η υψηλότερη προγνωστική απόδοση παρατηρήθηκε σε ένα μοντέλο εκπαιδευμένο σε μη διευρυμένες πειραματικές επισημειώσεις αμινοξέων με χρήση φυσικοχημικών και γεωμετρικών χαρακτηριστικών, αποδίδοντας Συντελεστή Συσχέτισης Matthews (MCC) 0.558 και βαθμολογία F1 Macro 0.776. Το δεύτερο καλύτερο μοντέλο εκπαιδεύτηκε χρησιμοποιώντας το ενοποιημένο σύνολο δεδομένων με διευρυμένες επισημειώσεις, παράλληλα με ένα σύνολο όλων των διαθέσιμων χαρακτηριστικών. H παρούσα εργασία συνδυάζει πειραματικές επισημειώσεις με διευρυμένες περιοχές διεπιφάνειας και αξιολογεί τη σχέση συμβιβασμού (trade-off) μεταξύ φυσικοχημικών περιγραφέων και διανυσματικών αναπαραστάσεων γλωσσικών μοντέλων πρωτεϊνών.","Peripheral membrane proteins are essential components in various biological activities, including cell differentiation, proliferation, and intercellular communication. Peripheral membrane proteins exhibit transient association with the lipid bilayer and are regulated with diverse mechanisms depending on their specific functions. Precise binding is required for cellular homeostasis, as protein-membrane attachment is responsible for the development of many disease pathologies. The study of these pathologies is often impeded because of the inherent difficulty of characterizing the protein-membrane interface through experimental techniques. For this reason, the specific membrane- binding domains of many peripheral membrane proteins remain unknown. This limitation has created a demand for the development of robust computational approaches for the prediction of protein-membrane interfaces. Current computational approaches, however, are often restricted by limited accuracy or excessive processing time. These constraints, when coupled with the scarcity of high-fidelity structural data, increase the development costs of small molecules intended to target the protein-membrane interface. To identify the protein-membrane interfaces we trained an ensemble machine learning model that predicts protein-membrane amino acids. The training of this model relied upon the consolidation of two distinct datasets. We curated the first dataset, compiling and manually updating high-quality experimental amino acid annotations through a comprehensive review of the recent literature. This information was supplemented by a second published dataset that incorporates interfacial binding site data from a wide variety of 9 protein superfamilies, which provides a broader representation of membrane- binding interactions. For the proteins in the consolidated dataset, we extracted physicochemical amino acid descriptors, geometrical features, and deep learning-based protein language model embeddings to capture diverse sequence and structural signals for the training of the model. To address the class imbalance and the lack of experimental annotation, we also augmented the protein-membrane interaction regions using a simple expansion strategy. Then, supervised Machine Learning training using binary classification ensued to predict the membrane-protein interacting amino acids. Model evaluation revealed that the highest predictive performance was achieved in a model trained on non-expanded experimental amino acid annotations using physicochemical and geometric features, yielding a Matthews Correlation Coefficient of 0.558 and an F1 Macro score of 0.776. The second-best model was trained using the consolidated dataset with expanded annotations, alongside a set of all available features. This work combines experimentally-curated annotations with expanded interface regions and evaluates the trade-off between physicochemical descriptors and protein language model embeddings."]},{"key":"dc:title","label":"Title","values":["Predicting protein-membrane interfaces of peripheral membrane proteins using machine learning"]}]}],"canonical_facts":{"dc:creator":["Δημητριάδης Σωτήριος","Dimitriadis Sotirios"],"dc:date":["2026"],"dc:description":["Οι περιφερικές μεμβρανικές πρωτεΐνες αποτελούν βασικά συστατικά σε διάφορες βιολογικές διεργασίες, συμπεριλαμβανομένης της κυτταρικής διαφοροποίησης, του πολλαπλασιασμού και της διακυτταρικής επικοινωνίας. Οι πρωτεΐνες αυτές εμφανίζουν παροδική σύνδεση με τη λιπιδική διπλοστιβάδα και ρυθμίζονται μέσω ποικίλων μηχανισμών ανάλογα με τις ειδικές λειτουργίες τους. Η ακριβής πρόσδεση είναι απαραίτητη για την κυτταρική ομοιόσταση, καθώς η προσκόλληση πρωτεΐνης-μεμβράνης ευθύνεται για την ανάπτυξη πολλών ασθενειών. Η μελέτη τους συχνά δυσχεραίνεται λόγω της εγγενούς δυσκολίας χαρακτηρισμού της διεπιφάνειας πρωτεΐνης-μεμβράνης μέσω πειραματικών τεχνικών. Για τον λόγο αυτό, οι περιοχές πρόσδεσης στη μεμβράνη πολλών περιφερικών μεμβρανικών πρωτεϊνών παραμένουν άγνωστες. Αυτός ο περιορισμός έχει δημιουργήσει την ανάγκη για την ανάπτυξη ισχυρών υπολογιστικών προσεγγίσεων για την πρόβλεψη των διεπιφανειών πρωτεΐνης-μεμβράνης. Ωστόσο, οι τρέχουσες υπολογιστικές προσεγγίσεις συχνά περιορίζονται από χαμηλή ακρίβεια ή υπερβολικό χρόνο επεξεργασίας. Αυτοί οι περιορισμοί, σε συνδυασμό με την έλλειψη δομικών δεδομένων υψηλής πιστότητας, αυξάνουν το κόστος ανάπτυξης μικρομορίων που στοχεύουν στη διεπιφάνεια πρωτεΐνης-μεμβράνης. Για τον εντοπισμό των διεπιφανειών πρωτεΐνης-μεμβράνης, αναπτύχθηκε ένα μοντέλο μηχανικής μάθησης συνόλου (ensemble), το οποίο προβλέπει τα αμινοξέα αλληλεπίδρασης πρωτεΐνης-μεμβράνης. Η εκπαίδευση αυτού του μοντέλου βασίστηκε στην ενοποίηση δύο διακριτών συνόλων δεδομένων. Επιμεληθήκαμε το πρώτο σύνολο δεδομένων, συλλέγοντας χειροκίνητα μέσω μιας εκτενούς ανασκόπησης της πρόσφατης βιβλιογραφίας. To δεύτερο σύνολο δεδομένων έχει δημοσιευθεί στην πρόσφατη βιβλιογραφία και περιλαμβάνει δεδομένα αμινοξέων που προσδένονται στην διεπιφάνεια της μεμβράνης από ένα φάσμα 9 πρωτεϊνικών οικογενειών, παρέχοντας έτσι μια πιο ολοκληρωμένη αναπαράσταση των αλληλεπιδράσεων των αμινοξέων με τις μεμβράνες. Για τις πρωτεΐνες του ενοποιημένου συνόλου δεδομένων, εξαγάγαμε φυσικοχημικούς περιγραφείς αμινοξέων, γεωμετρικά χαρακτηριστικά και ενσωματώσεις (embeddings) από γλωσσικά μοντέλα πρωτεϊνών βασισμένα σε βαθιά μάθηση, με στόχο την αποτύπωση ποικίλων ακολουθιακών και δομικών σημάτων για την εκπαίδευση του μοντέλου. Για την αντιμετώπιση της ανισορροπίας κλάσεων και της έλλειψης πειραματικής επισημάνσεως, επεκτείναμε επίσης τις περιοχές αλληλεπίδρασης πρωτεΐνης–μεμβράνης χρησιμοποιώντας μια απλή στρατηγική διεύρυνσης. Στη συνέχεια, εφαρμόστηκε επιβλεπόμενη εκπαίδευση Μηχανικής Μάθησης με δυαδική ταξινόμηση για την πρόβλεψη των αμινοξέων που αλληλεπιδρούν με τη μεμβράνη. Η υψηλότερη προγνωστική απόδοση παρατηρήθηκε σε ένα μοντέλο εκπαιδευμένο σε μη διευρυμένες πειραματικές επισημειώσεις αμινοξέων με χρήση φυσικοχημικών και γεωμετρικών χαρακτηριστικών, αποδίδοντας Συντελεστή Συσχέτισης Matthews (MCC) 0.558 και βαθμολογία F1 Macro 0.776. Το δεύτερο καλύτερο μοντέλο εκπαιδεύτηκε χρησιμοποιώντας το ενοποιημένο σύνολο δεδομένων με διευρυμένες επισημειώσεις, παράλληλα με ένα σύνολο όλων των διαθέσιμων χαρακτηριστικών. H παρούσα εργασία συνδυάζει πειραματικές επισημειώσεις με διευρυμένες περιοχές διεπιφάνειας και αξιολογεί τη σχέση συμβιβασμού (trade-off) μεταξύ φυσικοχημικών περιγραφέων και διανυσματικών αναπαραστάσεων γλωσσικών μοντέλων πρωτεϊνών.","Peripheral membrane proteins are essential components in various biological activities, including cell differentiation, proliferation, and intercellular communication. Peripheral membrane proteins exhibit transient association with the lipid bilayer and are regulated with diverse mechanisms depending on their specific functions. Precise binding is required for cellular homeostasis, as protein-membrane attachment is responsible for the development of many disease pathologies. The study of these pathologies is often impeded because of the inherent difficulty of characterizing the protein-membrane interface through experimental techniques. For this reason, the specific membrane- binding domains of many peripheral membrane proteins remain unknown. This limitation has created a demand for the development of robust computational approaches for the prediction of protein-membrane interfaces. Current computational approaches, however, are often restricted by limited accuracy or excessive processing time. These constraints, when coupled with the scarcity of high-fidelity structural data, increase the development costs of small molecules intended to target the protein-membrane interface. To identify the protein-membrane interfaces we trained an ensemble machine learning model that predicts protein-membrane amino acids. The training of this model relied upon the consolidation of two distinct datasets. We curated the first dataset, compiling and manually updating high-quality experimental amino acid annotations through a comprehensive review of the recent literature. This information was supplemented by a second published dataset that incorporates interfacial binding site data from a wide variety of 9 protein superfamilies, which provides a broader representation of membrane- binding interactions. For the proteins in the consolidated dataset, we extracted physicochemical amino acid descriptors, geometrical features, and deep learning-based protein language model embeddings to capture diverse sequence and structural signals for the training of the model. To address the class imbalance and the lack of experimental annotation, we also augmented the protein-membrane interaction regions using a simple expansion strategy. Then, supervised Machine Learning training using binary classification ensued to predict the membrane-protein interacting amino acids. Model evaluation revealed that the highest predictive performance was achieved in a model trained on non-expanded experimental amino acid annotations using physicochemical and geometric features, yielding a Matthews Correlation Coefficient of 0.558 and an F1 Macro score of 0.776. The second-best model was trained using the consolidated dataset with expanded annotations, alongside a set of all available features. This work combines experimentally-curated annotations with expanded interface regions and evaluates the trade-off between physicochemical descriptors and protein language model embeddings."],"dc:identifier":["uoadl:5359801","https://pergamos.lib.uoa.gr/uoa/dl/object/5359801"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Predicting protein-membrane interfaces of peripheral membrane proteins using machine learning"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:01:51Z"}