Sekvenční homologie cirkulární RNA
Sequential homology of circular RNA
Type of document
diplomová prácemaster thesis
Author
Eliška Sirůčková
Supervisor
Ryšavý Petr
Opponent
Michaela Dostálová Merkerová
Field of study
BioinformatikaStudy program
Otevřená informatikaInstitutions assigning rank
katedra počítačůRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
Cirkulární RNA (cirkRNA) hrají podle dosavadních výzkumů důležitou roli v buňce skrze interakce s miRNA. Interakce miRNA-cirkRNA jsou zřídka experimentálně ověřené, takže se vědci spoléhají na jejich predikce. Běžně používané predikční nástroje byly vyvinuty a většinou přizpůsobeny pro mnohem lépe pochopené a prozkoumané interakce miRNA-mRNA. Cílem této práce bylo vytvořit nový přístup k dostupným datům, který by zlepšil identifikaci míst interakce konkrétně mezi miRNA a cirkRNA. Důraz byl kladen na použití sekundární struktury cirkRNA jako nového parametru v predikci pomocí strojového učení. Několik klasifikátorů bylo testováno, za účelem vybrání nejlepší kombinace reprezentace a klasifikátoru. Byl také použit nový přístup k predikci párování. Na základě 15ti nuklotidů primární sekvence cirkRNA, klasifikátorů založených na sekundární struktuře a pomocí jednoduché neurální sítě byly předpovězeny interakce s dokonalou výtěžností. Nakonec, aby se zlepšila nízká přesnost navrhované metody, byla navržena kombinace navrhované metody se existujícími nástroji, která zlepšila predikci a výtěžnost konečného kombinace metod nad možnosti metod braných jednotlivě. Circular RNAs (circRNAs) are believed to play an important role in cellular functions via interactions with micro RNAs involved in regulation of gene expression. miRNA-circRNA interactions are rarely experimentally validated, so researchers rely on their predictions. The commonly used prediction tools have been developed for and mostly tailored to the much better understood and researched miRNA-mRNA interactions. The aim of this thesis was to design a novel approach to the analysis of available data to improve the identification of miRNA-circRNA interaction sites specifically. The focus was on the use of the secondary structure of circRNA as a novel parameter in prediction using machine learning. Several classifiers were rigorously tested to select the best representation and classifier combination. A novel approach to pairing prediction was also taken. Based on 15 nt of the primary sequence of circRNA, secondary structure-based classifiers and a simple neural network, the interactions were predicted with a perfect recall. Finally, to improve the low precision of the proposed method, an ensemble of existing tools was proposed, improving the prediction and recall of the combined ensemble beyond the capabilities of each individual tool.
Collections
- Diplomové práce - 13136 [892]