Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama

Žužić, Lucija

prikaz prve stranice dokumenta Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama

Preuzmi
PDF 1.42 MB

diplomski rad

Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama

2023. urn:nbn:hr:190:971248

Žužić, Lucija

Sveučilište u Rijeci
Tehnički fakultet
Zavod za računarstvo
Katedra za programsku podršku

Citirajte ovaj rad

APA 6th Edition

Žužić, L. (2023). Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:971248

MLA 8th Edition

Žužić, Lucija. "Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:190:971248

Chicago 17th Edition

Harvard

Žužić, L. (2023). 'Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 17.12.2024., https://urn.nsk.hr/urn:nbn:hr:190:971248

Vancouver

Žužić L. Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2023 [pristupljeno 17.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:971248

IEEE

L. Žužić, "Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:971248

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:971248

Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.

Podaci o radu

Naslov	Predviđanje samosastavljanja peptida zasnovano na sklonosti agregaciji i sekvencijalnim značajkama
Naslov (engleski)	Peptide self-assembly prediction based on aggregation propensity and sequential properties
Autor	Lucija Žužić
Mentor	Goran Mauša (mentor)
Član povjerenstva	Sandi Ljubić (predsjednik povjerenstva)
Član povjerenstva	Jonatan Lerga (član povjerenstva)
Član povjerenstva	Goran Mauša (član povjerenstva)
Ustanova koja je dodijelila akademski / stručni stupanj	Sveučilište u Rijeci Tehnički fakultet (Zavod za računarstvo) (Katedra za programsku podršku) Rijeka
Datum i država obrane	2023-07-17, Hrvatska
Znanstveno / umjetničko područje, polje i grana	TEHNIČKE ZNANOSTI Računarstvo Umjetna inteligencija
Sažetak	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.
Sažetak (engleski)	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.
Ključne riječi
Ključne riječi (engleski)
Jezik	hrvatski
URN:NBN	urn:nbn:hr:190:971248
Projekt	Šifra: UIP-2019-04-7999 Naziv: Dizajn katalitički aktivnih peptida i peptidnih nanostruktura (UIP-2019-04) Naziv: Design of short catalytic peptides and peptide assemblies Kratica: DeShPet Voditelj: Daniela Kalafatović Pravna nadležnost: Hrvatska Financijer: HRZZ Linija financiranja: UIP
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	Otvoreni pristup Datum isteka embarga: 2024-09-02
Uvjeti korištenja
Datum i vrijeme pohrane	2023-07-13 10:56:33