Modeliranje interakcij protein-RNA z uporabo globokih konvolucijskih nevronskih mrež nad grafi

Gregorc, Anže (avtor), Curk, Tomaž (mentor)

Interakcije protein-RNA sodelujejo v mnogih bioloških procesih. Modeliranje in preučevanje molekul proteinov in RNA nam tako lahko pomaga pri razumevanju medsebojnega delovanja proteinov in RNA. V magistrskem delu smo izdelali postopek napovedovanja interakcij protein-RNA na proteinu z uporabo konvolucijskih nevronskih mrež nad grafi. Podatke smo pridobili iz podatkovne baze PDB, jih predelali v strukturo grafa in vsakemu atomu dodali primerne značilke. Tako so podatki primerni za modele nevronskih mrež, ki delujejo nad grafi. Modele smo ovrednotili in prikazali rezultate z različnimi merami uspešnosti. Najboljši model dosega dobre rezultate (ROC AUC = 0,9). Implementirali smo tudi grafični vmesnik, ki v 3D prostoru prikaže strukturo proteinov in napovedana mesta interakcij z RNA.

• Jezik: Slovenski jezik
• Ključne besede: molekulske interakcije, strojno učenje, globoke nevronske mreže, konvolucijske nevronske mreže nad grafi
• Vrsta gradiva: Magistrsko delo/naloga
• Tipologija: 2.09 - Magistrsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2021
• PID: 20.500.12556/RUL-132218
• COBISS.SI-ID: 83603715
• Datum objave v RUL: 18.10.2021

GREGORC, Anže, 2021, Modeliranje interakcij protein-RNA z uporabo globokih konvolucijskih nevronskih mrež nad grafi [na spletu]. Magistrsko delo. [Dostopano 30 marec 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=132218

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Modeling protein-RNA interactions with deep graph convolutional neural networks

Izvleček

Protein-RNA interactions are involved in many biological processes. Modeling and studying protein and RNA molecules can help us understand the workings of proteins and RNA. In this master's thesis, we developed a procedure for predicting protein-RNA interactions on a protein using convolutional neural networks over graphs. We obtained the data from the PDB database, preprocessed it into a graph structure, and added appropriate features to each atom. Thus, the data are suitable for graph neural network models. We analyzed the models and presented the results with different performance metrics. The best model achieved good results (ROC AUC = 0.9). We also implemented a graphical interface to visualize the structure of proteins and the predicted sites of interaction with RNA in 3D space.

• Ključne besede: molecular interactions, machine learning, deep neural networks, graph convolutional neural networks