prikaz prve stranice dokumenta Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama
  Download
PDF 1.42 MB
master's thesis
Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama
2023. urn:nbn:hr:190:971248
Žužić, Lucija
University of Rijeka
Faculty of Engineering
Department of Computer Engineering
Section of Software Engineering

Cite this document

Žužić, L. (2023). Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:971248

Žužić, Lucija. "Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama." Master's thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:971248

Žužić, Lucija. "Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama." Master's thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:971248

Žužić, L. (2023). 'Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 27 November 2024, https://urn.nsk.hr/urn:nbn:hr:190:971248

Žužić L. Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2023 [cited 2024 November 27] Available at: https://urn.nsk.hr/urn:nbn:hr:190:971248

L. Žužić, "Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:190:971248

Please login to the repository to save this object to your list.
Metadata
TitlePredviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama
Title (english)Peptide self-assembly prediction based on aggregation propensity and sequential properties
AuthorLucija Žužić
MentorGoran Mauša (mentor)
Committee memberSandi Ljubić (predsjednik povjerenstva)
Committee memberJonatan Lerga (član povjerenstva)
Committee memberGoran Mauša (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Computer Engineering)
(Section of Software Engineering)
Rijeka
Defense date and country2023-07-17, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Artificial Intelligence
Abstract
Predložen je pristup za rješavanje problema heterogenih podataka iz sekvencijalnih svojstava (SP) i ocjene sklonosti agregaciji (AP) za peptide sastavljene od 1, 2 i 3 aminokiseline uporabom povratnih neuronskih mreža koje obrađuju sekvence promjenjive duljine koristeći svoju unutarnju memoriju. Kako bi se postigao jednak broj AP i SP vrijednosti, t-distribuirano stohastičko ugrađivanje susjeda (t-SNE) primijenjeno je na 94 SP vrijednosti i izdvojene su 3 meta-značajke. Pragovi temeljeni na krivuljama ROC (radna karakteristika prijamnika) i PR (preciznost-odziv) testirani su kako bi se unaprijedila binarna klasifikacija. Visoki rezultati geometrijske sredine (0, 704 za SP model i PR prag) koji su vrlo blizu rezultata točnosti (79, 7% za SP model i PR prag) dokazuju da je predviđanje moguće za pozitivnu i negativnu klasu samosastavljajućih peptida. Neklasificirani heksapeptidi korišteni su za testiranje primjenjivosti modela za predviđanje ocjene AP. Najuspješniji među razvijenim modelima, SP model, nadmašuje ljudska predviđanja i predviđanja najsuvremenijeg modela iz literature na temelju točnosti, F1 rezultata i geometrijske sredine. Modeli bi se mogli koristiti kao dopuna ljudskoj intuiciji u stvaranju novih peptidnih sekvenci s velikom sklonošću samosastavljanju.
Abstract (english)
We propose an approach to tackle the issue of heterogeneous data from sequential properties (SP) and aggregation-propensity (AP) scores for peptides composed of 1, 2, and 3 amino acids by using Recurrent Neural Networks that process sequences of variable length using their internal memory. To achieve an equal number of AP and SP values, t-distributed stochastic neighbour embedding (t-SNE) was applied to the 94 SP values, and 3 meta-features were extracted. Thresholds based on ROC (Receiver Operating Characteristic) and PR (Precision-Recall) curves were tested to advance binary classification. High geometric mean scores (0.704 for the SP model and PR threshold) that are very close to accuracy scores (79.7% for the SP model and PR threshold) prove that prediction is possible both for the positive and negative class of peptides based on self-assembly. Unclassified hexapeptides were used to test whether the model was applicable for predicting AP scores. The most successful of the developed models, the SP model, outperforms human predictions and the predictions of the state-of-the-art model from the literature based on accuracy, F1 score, and geometric mean. The models could complement human intuition in generating novel peptide sequences with a high propensity to self-assemble.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:971248
ProjectNumber: UIP-2019-04-7999
Title: Dizajn katalitički aktivnih peptida i peptidnih nanostruktura (UIP-2019-04)
Title: Design of short catalytic peptides and peptide assemblies
Acronym: DeShPet
Leader: Daniela Kalafatović
Jurisdiction: Croatia
Funder: HRZZ
Funding stream: UIP
Study programmeTitle: Computer Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Embargo expiration date: 2024-09-02
Terms of useLicence Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) icon
Created on2023-07-13 10:56:33