Cookies
O website necessita de alguns cookies e outros recursos semelhantes para funcionar. Caso o permita, o INESC TEC irá utilizar cookies para recolher dados sobre as suas visitas, contribuindo, assim, para estatísticas agregadas que permitem melhorar o nosso serviço. Ver mais
Aceitar Rejeitar
  • Menu
Sobre

Sobre

Md Wakil Ahmad é um estudante dedicado e ambicioso que atualmente está cursando um Mestrado em Ciência e Engenharia de Dados. Com uma sólida formação em Ciência da Computação de seus estudos de graduação, Wakil desenvolveu uma forte paixão por aproveitar os dados para gerar insights e resolver problemas complexos. Ao longo de sua jornada acadêmica, Wakil aprimorou suas habilidades em análise estatística, aprendizado de máquina, visualização de dados e modelagem computacional. Ele é proficiente em uma variedade de linguagens de programação e ferramentas, incluindo Python, R, SQL e Hadoop, bem como ferramentas de visualização de dados, como o Tableau. A natureza inquisitiva de Wakil levou-o a trabalhar em uma variedade de projetos orientados a dados, envolvendo modelagem preditiva, processamento de linguagem natural e mineração de dados. Ele é particularmente atraído pela aplicação de técnicas de ciência de dados no campo da sustentabilidade ambiental, com o objetivo de contribuir positivamente para essa área crítica. Além da academia, Wakil é um participante ativo em competições e encontros de ciência de dados, aprendendo continuamente e contribuindo para a comunidade de ciência de dados em geral. Seu objetivo principal é usar suas habilidades e conhecimentos para impulsionar a inovação e influenciar os processos de tomada de decisão por meio de dados.

Tópicos
de interesse
Detalhes

Detalhes

  • Nome

    Md Wakil Ahmad
  • Cargo

    Assistente de Investigação
  • Desde

    13 março 2023
001
Publicações

2024

Accurate Prediction of Lysine Methylation Sites Using Evolutionary and Structural-Based Information

Autores
Arafat, ME; Ahmad, MW; Shovan, SM; Ul Haq, T; Islam, N; Mahmud, M; Kaiser, MS;

Publicação
COGNITIVE COMPUTATION

Abstract
Methylation is considered one of the proteins' most important post-translational modifications (PTM). Plasticity and cellular dynamics are among the many traits that are regulated by methylation. Currently, methylation sites are identified using experimental approaches. However, these methods are time-consuming and expensive. With the use of computer modelling, methylation sites can be identified quickly and accurately, providing valuable information for further trial and investigation. In this study, we propose a new machine-learning model called MeSEP to predict methylation sites that incorporates both evolutionary and structural-based information. To build this model, we first extract evolutionary and structural features from the PSSM and SPD2 profiles, respectively. We then employ Extreme Gradient Boosting (XGBoost) as the classification model to predict methylation sites. To address the issue of imbalanced data and bias towards negative samples, we use the SMOTETomek-based hybrid sampling method. The MeSEP was validated on an independent test set (ITS) and 10-fold cross-validation (TCV) using lysine methylation sites. The method achieved: an accuracy of 82.9% in ITS and 84.6% in TCV; precision of 0.92 in ITS and 0.94 in TCV; area under the curve values of 0.90 in ITS and 0.92 in TCV; F1 score of 0.81 in ITS and 0.83 in TCV; and MCC of 0.67 in ITS and 0.70 in TCV. MeSEP significantly outperformed previous studies found in the literature. MeSEP as a standalone toolkit and all its source codes are publicly available at https://github.com/arafatro/MeSEP.