Kombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju

diplomski rad

• Naslov (engleski): Combining Protein and RNA Structures Information in Developing New Scoring Function
• Autor: Ivona Martinović
• Mentor: Mile Šikić (mentor)
• Član povjerenstva: Mile Šikić (predsjednik povjerenstva)
• Član povjerenstva: Davor Petrinović (član povjerenstva)
• Član povjerenstva: Marko Subašić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2022-09-16, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Predikcija strukture RNA molekula još je teži zadatak od predikcije stukture proteine zbog toga što je trenutno dostupno značajno manje strukturnih mjerenja RNA molekula. Jedan od pristupa predviđanju strukture RNA molekula je treniranje neuronske mreže koja bi ocjenjivala koliko je neka konfiguracija atoma daleko od toga da bude ispravna RNA molekula. Jedan takav model, nazvan ARES (Atomic Rotationally Equivariant Scorer), nedavno je implementiran. Ovaj rad istražio je u kolikoj se mjeri velika količina podataka o proteinskim strukturama može iskoristiti da bi se popravilo ocjenjivanje strukture RNA molekula. Pokazano je da kombinacija podataka o strukturama proteina i RNA molekula može poboljšati rezultate. Treniranje modela na većoj količini podataka o strukturama proteina pokazuje da ARES neuronska mreža može iskoristit činjenicu da su i proteini i RNA molekule u osnovi dugi lanci organskih spojeva koji se svijaju u sličnom okruženju unutar stanice i posljedično takav model ima bolje rezultate od onoga treniranog samo na podacima o strukturama RNA molekula.

Sažetak (engleski)

Compared to protein structure prediction, the RNA structure prediction task is even more difficult due to the fact that there are far fewer structural measurements of RNA molecules currently available. One way of approaching the structure prediction problem is to train a neural network that can score how far a given configuration of atoms is from being a valid RNA molecule. Such a model, named ARES (Atomic Rotationally Equivariant Scorer), has recently been implemented. This thesis has investigated to which extent information from the vast pool of protein structure data can be used to improve the scoring of RNA molecules. It has been shown that the combination of protein and RNA data can improve the results. Training the model on a larger amount of protein data has confirmed the fact that the ARES neural network can utilize the fact that both proteins and RNA molecules are long chains of organic compounds and fold under similar conditions inside a cell and consequently this model has better results than the one trained only on RNA data.

• Ključne riječi: RNA strukture; savijanje u proteinskoj strukturi; ekvivarijantna konvolucija; kugline funkcije; korijen srednje kvadratne devijacije
• Ključne riječi (engleski): RNA structures; protein folding; Equivariant Convolution; spherical harmonics; root mean square deviation
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:765597
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-14 09:28:54