|
|
Strojové učení v úloze predikce vlivu aminokyselinových mutací na stabilitu proteinu
Malinka, František ; Martínek, Tomáš (oponent) ; Bendl, Jaroslav (vedoucí práce)
Tato práce popisuje nový přístup k predikci vlivu aminokyselinových mutací na změnu stability proteinu. Cílem je vytvořit nový meta-nástroj, který kombinuje výstupy osmi vybraných nástrojů, díky čemuž je schopen svoji predikční schopnost zlepšit. Pro nalezení optimálního konsenzu mezi těmito nástroji je použito různých metod strojového učení. Ze všech testovaných metod strojového učení dosahuje KStar nejvyšší úspěšnosti predikce na trénovacím datasetu tvořeného experimentálně ověřenými mutacemi z databáze ProTherm. Právě z tohoto důvodu je KStar vybrán jako optimální predikční technika. Pro prokázání korektnosti výsledků tohoto meta-nástroje je použito testovacího datasetu vytvořeného ojedinělým způsobem, a to z vícebodových mutací extrahovaných taktéž z databáze ProTherm. Jelikož nebyly vícebodové mutace použity pro natrénování žádného z integrovaných nástrojů, předpokládá se, že takovéto porovnání je objektivní. Ve výsledku se tímto přístupem podařilo pomocí metody strojového učení KStar zvýšit korelační koeficient na trénovacím datasetu o 0,130, respektive o 0,239 na datasetu testovacím oproti nejúspěšnějšímu integrovanému nástroji. Na základě zjištěných údajů je možné říci, že metody strojového učení jsou vhodnými technikami pro problémy z oblasti proteinových predikcí.
|
|
|
Predikce vlivu aminokyselinových mutací na sekundární strukturu proteinů
Hyrš, Martin ; Vogel, Ivan (oponent) ; Bendl, Jaroslav (vedoucí práce)
V této práci zkoumám, jak mutace aminokyselionové sekvence proteinu poznamená jeho sekundární strukturu. Zjistil jsem, že sekundární struktura je vůči mutacím poměrně odolná, některé úseky si udrľí svoji strukturu, i když jejich sekvence je zcela odlišná. Tato odolnost se projevuje i u náhodných sekvencí, je to tedy obecná vlastnost sekvencí aminokyselin. Jednotlivé konformace jsou ke změnám způsobeným mutací různě citlivé. Citlivost proteinu vůči mutacím závisí na složení jeho struktury. V počátečních kapitolách jsou popsány vybrané metody predikce sekundární struktury.
|
|
|
Predikce vlivu aminokyselinových mutací na sekundární strukturu proteinů
Hyrš, Martin ; Vogel, Ivan (oponent) ; Bendl, Jaroslav (vedoucí práce)
V této práci zkoumám, jak mutace aminokyselionové sekvence proteinu poznamená jeho sekundární strukturu. Zjistil jsem, že sekundární struktura je vůči mutacím poměrně odolná, některé úseky si udrľí svoji strukturu, i když jejich sekvence je zcela odlišná. Tato odolnost se projevuje i u náhodných sekvencí, je to tedy obecná vlastnost sekvencí aminokyselin. Jednotlivé konformace jsou ke změnám způsobeným mutací různě citlivé. Citlivost proteinu vůči mutacím závisí na složení jeho struktury. V počátečních kapitolách jsou popsány vybrané metody predikce sekundární struktury.
|
|
|
Strojové učení v úloze predikce vlivu aminokyselinových mutací na stabilitu proteinu
Malinka, František ; Martínek, Tomáš (oponent) ; Bendl, Jaroslav (vedoucí práce)
Tato práce popisuje nový přístup k predikci vlivu aminokyselinových mutací na změnu stability proteinu. Cílem je vytvořit nový meta-nástroj, který kombinuje výstupy osmi vybraných nástrojů, díky čemuž je schopen svoji predikční schopnost zlepšit. Pro nalezení optimálního konsenzu mezi těmito nástroji je použito různých metod strojového učení. Ze všech testovaných metod strojového učení dosahuje KStar nejvyšší úspěšnosti predikce na trénovacím datasetu tvořeného experimentálně ověřenými mutacemi z databáze ProTherm. Právě z tohoto důvodu je KStar vybrán jako optimální predikční technika. Pro prokázání korektnosti výsledků tohoto meta-nástroje je použito testovacího datasetu vytvořeného ojedinělým způsobem, a to z vícebodových mutací extrahovaných taktéž z databáze ProTherm. Jelikož nebyly vícebodové mutace použity pro natrénování žádného z integrovaných nástrojů, předpokládá se, že takovéto porovnání je objektivní. Ve výsledku se tímto přístupem podařilo pomocí metody strojového učení KStar zvýšit korelační koeficient na trénovacím datasetu o 0,130, respektive o 0,239 na datasetu testovacím oproti nejúspěšnějšímu integrovanému nástroji. Na základě zjištěných údajů je možné říci, že metody strojového učení jsou vhodnými technikami pro problémy z oblasti proteinových predikcí.
|
host ::
RSS.