Název:
Prediction and Analysis of Nucleosome Positions in DNA
Překlad názvu:
Prediction and Analysis of Nucleosome Positions in DNA
Autoři:
Višňovský, Marek ; Bendl, Jaroslav (oponent) ; Martínek, Tomáš (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2013
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [eng][cze]
Eukaryotní DNA se váže kolem nukleozomů, čím ovplyvnuje vyšši strukturu DNA a přístup k vazebním mistům pro všeobecní transkripční faktory a oblasti genů. Je proto důležité vědet, kde se nukleozomy vážou na DNA, a jak silná tato vazba je, abychom mohli porozumět mechanizmům regulace genů. V rámci projektu byla implementována nová metoda pro predikci nukleozomů založená na rozšíření Skrytých Markovových modelů, kde jako trénovací a testovací sada posloužila publikována data z Brogaard et al. (Brogaard K, Wang J-P, Widom, J. Nature 486(7404), 496-501 (2012). doi:10.1038/nature11142). Správne predikováno bylo zhruba 50% nukleozomů, co je porovnatenlný výsledek s existujícimi metodami. Okrem toho byla provedena řada experimentů popisující vlastnosti sekvencí nukleozomů a ich organizace.
Genomic DNA in eukaryotes wraps around nucleosomes, which thereby affects higher order DNA structure and access to genomic features like transcription factor binding sites (TFBSs) and gene regions. It is therefore important to have a good understanding of where nucleosomes bind to DNA, and how stable this binding is, in order to understand gene regulation. We developed, implemented and tested a novel approach for genome-wide predictions of nucleosome positions in yeast based on Hidden Markov models extended by duration modeling, using data from Brogaard et al. (Brogaard K, Wang J-P, Widom, J. Nature 486(7404), 496-501 (2012). doi:10.1038/nature11142) for training and testing. Achieved sensitivity closing to 50% does not improve performance compared to other existing methods. In addition, several experiments were conducted on the available dataset to identify features of sequences occupied by nucleosomes and theirs global organization that are important for the prediction performance.
Klíčová slova:
Hidden Markov Models; Machine learning; nucleosome positioning prediction; Positional Weight Matrices; Pozične specifické matice; predikce pozic nukleozomů; Skryté Markovovy modely; Strojové učení
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/187637