|
|
Vývoj webového nástroje pro analýzu kalorimetrických dat
Nedeljković, Sava ; Musil, Miloš (oponent) ; Sumbalová, Lenka (vedoucí práce)
Proteiny jsou organické molekuly složené z aminokyselin, které jsou přítomny ve všech živých organizmech. Jsou to hlavní stavební prvky života. Zkoumání stability proteinů má velké uplatnění ve farmaceutickém, biochemickém a zdravotnickém průmyslu, proto je o něj velký zájem. Stabilitu proteinu a mnoho dalších vlastností lze stanovit pozorováním jeho mechanismu rozkládání. Diferenciální skenovací kalorimetrie (DSC) se ukázala jako velmi přesná metoda pro tento úkol. Cílem této práce je zlepšit funkce softwaru CalFitter, který analyzuje data získaná z experimentů DSC. Nové funkce softwaru umožňují automaticky vypočítat počáteční parametry, které jsou potřebné pro úspěšnou analýzu.
|
|
|
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.
|
|
|
Computational Workflow for the Prediction and Design of Stable Proteins
Kadleček, Josef ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
This thesis focuses on enriching computational tools for the prediction of protein mutations for the purpose of enriching their stability. Stable mutants of proteins are necessary for the development of the new drugs. Unfortunately, experimental validation of the stabilization effect of given mutations is costly and time demanding. Therefore, the FireProt tool was developed. FireProt utilizes a combination of both evolutionary and energy-based approaches for identifying potentially stabilizing mutations. This thesis enriches the FireProt tool with the possibility of entering custom mutations for the analysis. It also integrates other prediction software, FireProt ASR, and provides user with an option to select multiple mutational strategies for the detection of stabilizing mutations. Furthermore, it enriches the FireProt tool with another information about proteins residues (for instance relative B-factor) and makes it possible to utilize homology modeling to model the protein's structure based on its sequence. Lastly, it introduces a novel approach for the design of multiple-point mutants.
|
|
|
Computational Design of Stable Proteins
Musil, Miloš ; Lexa, Matej (oponent) ; Vinař, Tomáš (oponent) ; Zendulka, Jaroslav (vedoucí práce)
Stable proteins are utilized in a vast number of medical and biotechnological applications. However, the native proteins have mostly evolved to function under mild conditions inside the living cells. As a result, there is a great interest in increasing protein stability to enhance their utility in the harsh industrial conditions. In recent years, the field of protein engineering has matured to the point that enables tailoring of native proteins for specific practical applications. However, the identification of stable mutations is still burdened by costly and laborious experimental work. Computational methods offer attractive alternatives that allow a rapid search of the pool of potentially stabilizing mutations to prioritize them for further experimental validation. A plethora of the computational strategies was developed: i) force-field-based energy calculations, ii) evolution-based techniques, iii) machine learning, or iv) the combination of several approaches. Those strategies are usually limited in their predictions to less impactful single-point mutations, while some more sophisticated methods for prediction of multiple-point mutations require more complex inputs from the side of the user. The main aim of this Thesis is to provide users with a fully automated workflow that would allow for the prediction of the highly stable multiple-point mutants without the requirement of the extensive knowledge of the bioinformatics tools and the protein of interest. FireProt is a fully automated workflow for the design of the highly stable multiple-point mutants. It is a hybrid method that combines both energy- and evolution-based approaches in its calculation core, utilizing sequence information as a filter for robust force-field calculations. FireProt workflow not only detects a pool of potentially stabilizing mutations but also tries to combine them together while reducing the risk of antagonistic effects. FireProt-ASR is a fully automated workflow for ancestral sequence reconstruction, allowing users to utilize this protein engineering strategy without the need for the laborious manual work and the knowledge of the system of interest. It resolves all the steps required during the process of ancestral sequence reconstruction, including the collection of the biologically relevant homologs, construction of the rooted tree, and the reconstruction of the ancestral sequences and ancestral gaps.HotSpotWizard is a workflow for the automated design of mutations and smart libraries for the engineering of protein function and stability. It allows for a wider analysis of the protein of interest by utilizing four different protein engineering strategies: i) identification of the highly mutable residues located in the catalytic pockets and tunnels, ii) identification of the flexible regions, iii) calculation of the sequence consensus, and iv) identification of the correlated residues.FireProt-DB is a database of the known experimental data quantifying a protein stability. The main aim of this database is to standardize protein stability data, provide users with well-manageable storage, and allow them to construct protein stability datasets to use them as training sets for various machine learning applications.
|
|
|
Fully Automated Method for the Design of Ancestral Proteins
Štěpánek, Martin ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
Protein stability is a crucial feature for the industrial applications of proteins. This thesis focuses on the enhancements of FireProtASR, an automated tool for the design of stable proteins via ancestral sequence reconstruction. A novel technique of the successor prediction was developed and implemented into FireProtASR. Successors represent the evolutionary future of protein sequences and are supposed to have higher activity than current day proteins. They are also expected to have higher ability to target specific molecules. Furthermore, a new web user interface of FireProtASR was developed. It provides a fast and intuitive way to control the tool.
|
|
|
Evoluční strategie v úloze predikce vlivu aminokyselinových mutací na stabilitu proteinů
Kadlec, Miroslav ; Burgetová, Ivana (oponent) ; Bendl, Jaroslav (vedoucí práce)
Tato práce se zabývá predikcí vlivu aminokyselinových mutací na stabilitu proteinu. Cílem je vytvořit konsenzuální prediktor využívající výstupy vybraných existujících nástrojů za účelem zvýšení úspěšnosti predikce. Optimální konsenzus mezi těmito nástroji byl hledán s pomocí evolučních strategií (ES) ve třech variantách: evoluční strategie s pravidlem 1/5, varianta s autoevolucí typu 2 a metoda CMA-ES. Kvalita nalezených řešení byla následně testována na nezávislé datové sadě. Výsledky všech tří variant dosahovaly podobných přesností predikce, jako nejlepší byl vyhodnocen vektor vah nalezený ES s autoevolucí typu 2. Oproti samostatným prediktorům vykazovala konsenzuální metoda na trénovacích datech zlepšení Pearsonova korelačního koeficientu o 0,057. Na testovací sadě byl její přínos nižší (zlepšení o 0,040). Poměrně malý přínos k přesnosti predikcí na trénovací i testovací datové sadě byl způsoben tím, že pro některé záznamy se nepodařilo získat výsledky všech dílčích nástrojů. V případě vypuštění těchto záznamů přinesla konsenzuální metoda zlepšení Pearsonova korelačního koeficientu o 0,118.
|
|
|
Multi-Agent System for the Prediction of the Effect of Mutations on Protein Stability
Doseděl, Ondřej ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
Proteins are building blocks of every living organism, as they are responsible for multiple crucial functions. They consist of amino acids chains and these chains can be changed. The change is called mutation. Mutation can happen naturally, or created in laboratory. The~aim of this thesis is to present novel methology for determining protein's stability upon mutations. It consists of two models. The first model is multi-agent system which handles classification into two classes, i.e, stabilizing and destabilizing. The best model gained 0.7~ACC and 0.41 MCC. The second part dealt with predicting exact values of G where an Extreme Gradient Boosting model was created which managed to gain 1.67 RMSE with 0.53 PCC. New datasets for training and validation, which are truly independent, were also introduced in this thesis.
|
|
|
Využití strojového učení pro predikci vlivu mutací na stabilitu proteinů
Dúbrava, Juraj Ondrej ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
Táto práca sa zaoberá predikciou vplyvu aminokyselinových mutácií na stabilitu proteínu. Cieľom bolo vytvorenie nástroja klasifikujúceho výsledný charakter mutácie s využitím kombinácie viacerých metód strojového učenia. Implementovaný prístup kombinujúci metódy SVM a Random Forest dosiahol lepšie výsledky ako použitie metód samostatne. Nástroj bol porovnaný s dostupnými nástrojmi na nezávislom datasete na ktorom dosiahol úspešnosť predikcie 67 % a koreláciu 0,3.
|
|
|
Interactive Database for the Storage and Maintenance of the Biological Data
Dúbrava, Juraj Ondrej ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
The main focus of this thesis is to develop a novel database of protein stability data that will focus on storage and maintenance of the experimental data. The result is a novel database FireProtDB, providing manually curated experimental data from all available sources, while presenting the data via implemented graphical user interface. The user interface provides all necessary information stored in the database with ability to search data using advanced search engine to create customized search queries targeting users seeking data for construction of the machine learning datasets.
|
|
|
Fully Automated Method for the Design of Ancestral Proteins
Štěpánek, Martin ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
Protein stability is a crucial feature for the industrial applications of proteins. This thesis focuses on the enhancements of FireProtASR, an automated tool for the design of stable proteins via ancestral sequence reconstruction. A novel technique of the successor prediction was developed and implemented into FireProtASR. Successors represent the evolutionary future of protein sequences and are supposed to have higher activity than current day proteins. They are also expected to have higher ability to target specific molecules. Furthermore, a new web user interface of FireProtASR was developed. It provides a fast and intuitive way to control the tool.
|
host ::
RSS.