E-Locus - Ιδρυματικό Καταθετήριο Πανεπιστημίου Κρήτης - Μεταπτυχιακές εργασίες ειδίκευσης

Αρχική Συλλογές Σχολή/Τμήμα Σχολή Θετικών και Τεχνολογικών Επιστημών Τμήμα Βιολογίας Μεταπτυχιακές εργασίες ειδίκευσης

Μεταπτυχιακές εργασίες ειδίκευσης

Εντολή Αναζήτησης : Συγγραφέας="Καλαντίδης" Και Συγγραφέας="Κρίτων"

Τρέχουσα Εγγραφή: 49 από 800

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000452174

Τίτλος

Domain based prediction of human Protein-Protein Interactions

Άλλος τίτλος

Πρόβλεψη αλληλεπιδράσεων των πρωτεϊνών στον άνθρωπο, βάσει των αυτοτελών δομικών τους περιοχών

Συγγραφέας

Τσαγλιώτη, Ηλέκτρα Γ.

Σύμβουλος διατριβής

Παυλίδης, Παύλος

Μέλος κριτικής επιτροπής

Παυλίδης, Ιωάννης
Ηλιόπουλος, Ιωάννης

Περίληψη

Οι πρωτεΐνες είναι οι ακρογωνιαίοι λίθοι της κυτταρικής λειτουργίας, καθώς παίζουν κομβικό ρόλο σε όλες τις διαδικασίες που λαμβάνουν χώρα μέσα στα κύτταρα. Το να γνωρίζουμε ποιες πρωτεΐνες αλληλεπιδρούν, είναι πολύτιμο όχι μόνο για την βαθύτερη κατανόηση των ίδιων των πρωτεϊνών, αλλά και για την ευρύτερη κατανόηση της λειτουργίας των ζωντανών οργανισμών. Η γνώση των πρωτεϊνικών αλληλεπιδράσεων (PPIs), συμβάλλει στην ανάπτυξη της «βασικής έρευνας» αλλά και της εφαρμοσμένης επιστήμης, καθώς τα PPIs μπορούν να συνδεθούν με θεραπευτικούς στόχους και τον σχεδιασμό φαρμάκων. Σε αυτή τη μελέτη, σκοπός ήταν να δημιουργηθεί και να αξιολογηθεί ένας αλγόριθμος Μηχανικής Μάθησης για την πρόβλεψη PPIs στον άνθρωπο (Homo sapiens), ο οποίος να βασίζεται αποκλειστικά στις αυτοτελείς δομικές και λειτουργικές περιοχές τους (domains). Αυτή η βασιζόμενη στη Μηχανική Μάθηση προσέγγιση, στοχεύει στην ταξινόμηση άγνωστων ζευγών πρωτεϊνών ως «αλληλεπιδρώντα» ή «μη αλληλεπιδρώντα» σύμφωνα με τις αυτοτελείς δομικές και λειτουργικές περιοχές που βρίσκονται στην αλληλουχία τους. Για την εκπαίδευση του μοντέλου μας, δημιουργήθηκε ένα θετικό σύνολο δεδομένων εξάγοντας πληροφορίες PPI από τη βάση δεδομένων STRING και πληροφορίες αυτοτελών δομικών περιοχών από τη βάση δεδομένων Pfam. Ένα αρνητικό σύνολο δεδομένων δημιουργήθηκε μέσω τυχαίας δειγματοληψίας και συνδυασμού πρωτεϊνών του θετικού συνόλου. Το τελικό, πλήρες σύνολο δεδομένων χρησιμοποιήθηκε για την εκπαίδευση ενός ταξινομητή SVM, καθώς και ενός ταξινομητή Random Forest. Και τα δύο μοντέλα φάνηκε να αποδίδουν με υψηλή ακρίβεια πρόβλεψης, ειδικότητα και ευαισθησία. Τα πολλά υποσχόμενα αποτελέσματα αυτής της μεθόδου τονίζουν τη σημασία των αυτοτελών δομικών και λειτουργικών περιοχών των πρωτεϊνών (domains) στην πρόβλεψη των PPIs, αναδεικνύοντάς τα σε ‘βασικούς παίκτες’ στις αλληλεπιδράσεις μεταξύ πρωτεϊνών.

Φυσική περιγραφή

79 σ. : πίν., σχήμ., εικ. (μερ. εγχρ.) ; 30 εκ.

Γλώσσα

Αγγλικά

Θέμα

Interactome

Machine learning

Random forest

SVM

Αλληλεπίδρωμα

Μηχανική μάθηση

Ημερομηνία έκδοσης