La previsione delle configurazioni tridimensionali (strutture secondarie) a partire dalle sequenze di RNA è un problema di particolare interesse e grande difficoltà in biologia e medicina. A rivoluzionare recentemente lo stato dell’arte è stato l’avvento dell’intelligenza artificiale ed in particolare del Machine Learning, che ha permesso il superamento dei precedenti metodi basati solo sulla minimizzazione dell’energia libera. Una discreta disponibilità di dati sperimentali riguardanti le strutture secondarie di alcuni filamenti di RNA costituisce una base per provare a effettuare il training di Deep Neural Networks, allo scopo di renderle in grado di prevedere le configurazioni più probabili per nuove sequenze mai analizzate prima. In questa tesi ho approfondito l’innovativo modello proposto da Booy, Ilin ed Orponen (10.1186/s12859-021-04540-7), capace di ottenere risultati sorprendenti attraverso una rete neurale convoluzionale, il cui training si basa su alcune semplici ipotesi relative all’accoppiamento tra basi. La matrice dei possibili contatti tra nucleotidi della sequenza, ottenuta come output dalla rete, viene poi convertita in strutture secondarie tramite algoritmi appositi. Dati gli ottimi risultati conseguiti in questo lavoro, il prossimo passo consisterà nello sviluppo di metodi capaci di predire strutture multiple associate ad una singola sequenza, il che avrebbe una notevole importanza biologica.
Predizione della struttura secondaria dell' RNA con reti convoluzionali
PEDRAZZI, MATTEO
2021/2022
Abstract
La previsione delle configurazioni tridimensionali (strutture secondarie) a partire dalle sequenze di RNA è un problema di particolare interesse e grande difficoltà in biologia e medicina. A rivoluzionare recentemente lo stato dell’arte è stato l’avvento dell’intelligenza artificiale ed in particolare del Machine Learning, che ha permesso il superamento dei precedenti metodi basati solo sulla minimizzazione dell’energia libera. Una discreta disponibilità di dati sperimentali riguardanti le strutture secondarie di alcuni filamenti di RNA costituisce una base per provare a effettuare il training di Deep Neural Networks, allo scopo di renderle in grado di prevedere le configurazioni più probabili per nuove sequenze mai analizzate prima. In questa tesi ho approfondito l’innovativo modello proposto da Booy, Ilin ed Orponen (10.1186/s12859-021-04540-7), capace di ottenere risultati sorprendenti attraverso una rete neurale convoluzionale, il cui training si basa su alcune semplici ipotesi relative all’accoppiamento tra basi. La matrice dei possibili contatti tra nucleotidi della sequenza, ottenuta come output dalla rete, viene poi convertita in strutture secondarie tramite algoritmi appositi. Dati gli ottimi risultati conseguiti in questo lavoro, il prossimo passo consisterà nello sviluppo di metodi capaci di predire strutture multiple associate ad una singola sequenza, il che avrebbe una notevole importanza biologica.File | Dimensione | Formato | |
---|---|---|---|
Pedrazzi_Matteo.pdf
accesso aperto
Dimensione
3.22 MB
Formato
Adobe PDF
|
3.22 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/28578