@ARTICLE{Saadatmand-Tarzjan, author = {Abdi, Marzieh and Saadatmand-Tarzjan, Mahdi and Taherzadeh Sani, Mohammad and Haghparast, Alireza and }, title = {A Review of Prediction Methods of Interaction Sites of Antibody-Protein Complexes Based on Artificial Intelligence}, volume = {5}, number = {1}, abstract ={مقدمه: سرطان یکی از مهمترین چالش‌های بهداشتی قرن اخیر و آینده می‌باشد. طراحی داروهای ضدسرطان هدفمند، مبتنی بر آنتی‌بادی‌های مونوکلونال، نیازمند درک مکانیسم تعامل آنتی‌بادی–پروتئین در سطح باقی‌مانده‌ها است. اولین گام برای تولید آنتی‌بادی‌های مونوکلونال، پیش‌بینی ساختار آن‌ها می‌باشد. روش: در این مقاله، مهم‌ترین تحقیقات منتشر شده در پایگاه‌های اطلاعاتی PubMed، ScienceDirect، Springer و IEEE، برای پیش‌بینی سایت‌های تعامل کمپلکس‌های آنتی‌بادی-پروتئین و تعیین ساختار مؤثر آنتی‌بادی‌ها، به صورت ساختاریافته مورد بررسی قرار گرفت. معمولاً برای این منظور، از شبکه‌های عصبی مصنوعی یا وب‌سرورها استفاده می‌شود. به علاوه، برخی محققین نیز از الگوریتم‌های تکاملی برای پیش‌بینی ساختار مؤثر آنتی‌بادی‌ها استفاده نموده‌اند. بر این اساس، تعداد 14 روش مبتنی بر ساختار فضایی پروتئین‌ها، 28 روش مبتنی بر توالی اسیدهای آمینه (مستقل از ساختار فضایی) و 18 روش پیش‌بینی ساختار آنتی‌ژن/آنتی‌بادی مورد بررسی قرار گرفت. نتایج: مطالعه حاضر نشان داد که دقت روش‌های مبتنی بر ساختار فضایی تا 80‌% قابل افزایش می‌باشد؛ در حالی که دقت روش‌های پیش‌بینی مبتنی بر توالی اسیدهای آمینه به ندرت بهتر از 75‌% بود. از آنجا که ساختار فضایی بسیاری از آنتی‌بادی‌ها در دسترس نمی‌باشد؛ برخی محققین برای بهبود دقت (حتی تا 96%)، تنها از توالی آنتی‌بادی‌های مؤثر بر چند آنتی‌ژن مشابه در آموزش شبکه عصبی استفاده نموده‌اند؛ لذا با توجه به دقت بالای به دست آمده، پیشنهاد می‌شود که از روش اخیر برای پیش‌بینی ساختار آنتی‌بادی‌های مونوکلونال استفاده گردد. نتیجه­گیری: در این مقاله، پس از مرور روش‌های موجود برای پیش‌بینی سایت‌های تعامل آنتی‌بادی‌-پروتئین، پیشنهادهایی برای پیش‌بینی ساختار آنتی‌بادی‌های مونوکلونال پیشنهاد گردید. }, URL = {http://jhbmi.ir/article-1-230-fa.html}, eprint = {http://jhbmi.ir/article-1-230-fa.pdf}, journal = {Journal of Health and Biomedical Informatics}, doi = {}, year = {2018} }