{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3331663"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3331663","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"RMSD Estimation Algorithm (REA): A Neural Network Predicting Unnatural Structural Deviation in RNA Structures","abstract":"Η τριτοταγής δομή του RNA είναι ιδιαίτερα σημαντική για την κατανόηση του βιολογικού ρόλου του RNA και μπορεί να αξιοποιηθεί σε βιοτεχνολογικές εφαρμογές, όπως ο σχεδιασμός φαρμάκων. Πρόσφατα αναπτύχθηκαν βαθιά νευρωνικά δίκτυα με σκοπό την πρόβλεψη της τριτοταγούς δομής του RNA από την αλληλουχία του, βασισμένα στην αρχιτεκτονική του μετασχηματιστή (transformer) του μοντέλου AlphaFold. Καθώς αυξάνεται ο αριθμός των προβλεπόμενων μοντελοποιημένων δομών του RNA, αυξάνεται και η ανάγκη για αξιολόγηση της ακρίβειας αυτών των δομών. Στην παρούσα εργασία, εκπαιδεύσαμε τον Αλγόριθμο Εκτίμησης RMSD (REA), που είναι ένα προς τα εμπρός τροφοδοτούμενο νευρωνικό δίκτυο (feed forward neural network) για την πρόβλεψη της απόκλισης (root mean squared deviation, RMSD) μιας τρισδιάστατης δομής RNA από την αντίστοιχη πειραματική δομή. Ο αλγόριθμος REA προβλέπει την τιμή του RMSD από χαρακτηριστικά της δομής που αφορούν στην απόκλιση στερεοχημικών μεγεθών, όπως οι επικαλύψεις των ακτίνων Van der Waals, των μηκών των δεσμών και του μεγέθους των γωνιών μεταξύ των ατόμων από τις φυσικές τους τιμές, τα οποία υπολογίζονται με το λογισμικό Molprobity. Εκπαιδεύσαμε το νευρωνικό δίκτυο REA σε τριτοταγείς δομές RNA που προβλέφθηκαν από τα βαθιά νευρωνικά δίκτυα DeepFoldRNA και trRosettaRNA σε ένα σύνολο 182 μοντέλων πολύπλοκων δομών RNA με ψευδοκόμπους (pseudoknots). Στην συνέχεια, συγκρίναμε τον αλγόριθμο REA με τον ARES, έναν αλγόριθμο βαθιάς μάθησης που προβλέπει την τιμή RMSD μιας τριτοταγούς δομής RNA σε σχέση με την αντίστοιχη πειραματική δομή της, εξάγοντας γεωμετρικά πρότυπα από τη δομή με τη μέθοδο της ισοδύναμης συνέλιξης. Αξιολογήσαμε την ακρίβεια πρόβλεψης του αλγορίθμου REA σε ένα σύνολο με μοντέλα δομών RNA με ψευδοκόμπους και σε ένα σύνολο με μοντέλα δομών RNA χωρίς ψευδοκόμπους. Κατά την αξιολόγηση, ο αλγόριθμος REA ξεπέρασε τον ARES και στα δύο σύνολα δοκιμών έχοντας μικρότερη απόλυτη διαφορά μεταξύ της πραγματικής και της προβλεπόμενης τιμής RMSD. Με τον νέο αλγόριθμο, η έρευνά μας μπορεί να συμβάλει στην αξιολόγηση των τριτοταγών δομών RNA και στην επιλογή των πιο ακριβών μεταξύ των εναλλακτικών μοντέλων τριτοταγών δομών RNA.","abstract_html":"Η τριτοταγής δομή του RNA είναι ιδιαίτερα σημαντική για την κατανόηση του βιολογικού ρόλου του RNA και μπορεί να αξιοποιηθεί σε βιοτεχνολογικές εφαρμογές, όπως ο σχεδιασμός φαρμάκων. Πρόσφατα αναπτύχθηκαν βαθιά νευρωνικά δίκτυα με σκοπό την πρόβλεψη της τριτοταγούς δομής του RNA από την αλληλουχία του, βασισμένα στην αρχιτεκτονική του μετασχηματιστή (transformer) του μοντέλου AlphaFold. Καθώς αυξάνεται ο αριθμός των προβλεπόμενων μοντελοποιημένων δομών του RNA, αυξάνεται και η ανάγκη για αξιολόγηση της ακρίβειας αυτών των δομών. Στην παρούσα εργασία, εκπαιδεύσαμε τον Αλγόριθμο Εκτίμησης RMSD (REA), που είναι ένα προς τα εμπρός τροφοδοτούμενο νευρωνικό δίκτυο (feed forward neural network) για την πρόβλεψη της απόκλισης (root mean squared deviation, RMSD) μιας τρισδιάστατης δομής RNA από την αντίστοιχη πειραματική δομή. Ο αλγόριθμος REA προβλέπει την τιμή του RMSD από χαρακτηριστικά της δομής που αφορούν στην απόκλιση στερεοχημικών μεγεθών, όπως οι επικαλύψεις των ακτίνων Van der Waals, των μηκών των δεσμών και του μεγέθους των γωνιών μεταξύ των ατόμων από τις φυσικές τους τιμές, τα οποία υπολογίζονται με το λογισμικό Molprobity. Εκπαιδεύσαμε το νευρωνικό δίκτυο REA σε τριτοταγείς δομές RNA που προβλέφθηκαν από τα βαθιά νευρωνικά δίκτυα DeepFoldRNA και trRosettaRNA σε ένα σύνολο 182 μοντέλων πολύπλοκων δομών RNA με ψευδοκόμπους (pseudoknots). Στην συνέχεια, συγκρίναμε τον αλγόριθμο REA με τον ARES, έναν αλγόριθμο βαθιάς μάθησης που προβλέπει την τιμή RMSD μιας τριτοταγούς δομής RNA σε σχέση με την αντίστοιχη πειραματική δομή της, εξάγοντας γεωμετρικά πρότυπα από τη δομή με τη μέθοδο της ισοδύναμης συνέλιξης. Αξιολογήσαμε την ακρίβεια πρόβλεψης του αλγορίθμου REA σε ένα σύνολο με μοντέλα δομών RNA με ψευδοκόμπους και σε ένα σύνολο με μοντέλα δομών RNA χωρίς ψευδοκόμπους. Κατά την αξιολόγηση, ο αλγόριθμος REA ξεπέρασε τον ARES και στα δύο σύνολα δοκιμών έχοντας μικρότερη απόλυτη διαφορά μεταξύ της πραγματικής και της προβλεπόμενης τιμής RMSD. Με τον νέο αλγόριθμο, η έρευνά μας μπορεί να συμβάλει στην αξιολόγηση των τριτοταγών δομών RNA και στην επιλογή των πιο ακριβών μεταξύ των εναλλακτικών μοντέλων τριτοταγών δομών RNA.","abstract_has_math":false,"creators":["Καλαμπαλίκη Αγορίτσα","Kalampaliki Agoritsa"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:22Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331663"],"render_values":[{"text":"uoadl:3331663","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331663","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331663","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3331663","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καλαμπαλίκη Αγορίτσα","Kalampaliki Agoritsa"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331663","https://pergamos.lib.uoa.gr/uoa/dl/object/3331663"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η τριτοταγής δομή του RNA είναι ιδιαίτερα σημαντική για την κατανόηση του βιολογικού ρόλου του RNA και μπορεί να αξιοποιηθεί σε βιοτεχνολογικές εφαρμογές, όπως ο σχεδιασμός φαρμάκων. Πρόσφατα αναπτύχθηκαν βαθιά νευρωνικά δίκτυα με σκοπό την πρόβλεψη της τριτοταγούς δομής του RNA από την αλληλουχία του, βασισμένα στην αρχιτεκτονική του μετασχηματιστή (transformer) του μοντέλου AlphaFold. Καθώς αυξάνεται ο αριθμός των προβλεπόμενων μοντελοποιημένων δομών του RNA, αυξάνεται και η ανάγκη για αξιολόγηση της ακρίβειας αυτών των δομών. Στην παρούσα εργασία, εκπαιδεύσαμε τον Αλγόριθμο Εκτίμησης RMSD (REA), που είναι ένα προς τα εμπρός τροφοδοτούμενο νευρωνικό δίκτυο (feed forward neural network) για την πρόβλεψη της απόκλισης (root mean squared deviation, RMSD) μιας τρισδιάστατης δομής RNA από την αντίστοιχη πειραματική δομή. Ο αλγόριθμος REA προβλέπει την τιμή του RMSD από χαρακτηριστικά της δομής που αφορούν στην απόκλιση στερεοχημικών μεγεθών, όπως οι επικαλύψεις των ακτίνων Van der Waals, των μηκών των δεσμών και του μεγέθους των γωνιών μεταξύ των ατόμων από τις φυσικές τους τιμές, τα οποία υπολογίζονται με το λογισμικό Molprobity. Εκπαιδεύσαμε το νευρωνικό δίκτυο REA σε τριτοταγείς δομές RNA που προβλέφθηκαν από τα βαθιά νευρωνικά δίκτυα DeepFoldRNA και trRosettaRNA σε ένα σύνολο 182 μοντέλων πολύπλοκων δομών RNA με ψευδοκόμπους (pseudoknots). Στην συνέχεια, συγκρίναμε τον αλγόριθμο REA με τον ARES, έναν αλγόριθμο βαθιάς μάθησης που προβλέπει την τιμή RMSD μιας τριτοταγούς δομής RNA σε σχέση με την αντίστοιχη πειραματική δομή της, εξάγοντας γεωμετρικά πρότυπα από τη δομή με τη μέθοδο της ισοδύναμης συνέλιξης. Αξιολογήσαμε την ακρίβεια πρόβλεψης του αλγορίθμου REA σε ένα σύνολο με μοντέλα δομών RNA με ψευδοκόμπους και σε ένα σύνολο με μοντέλα δομών RNA χωρίς ψευδοκόμπους. Κατά την αξιολόγηση, ο αλγόριθμος REA ξεπέρασε τον ARES και στα δύο σύνολα δοκιμών έχοντας μικρότερη απόλυτη διαφορά μεταξύ της πραγματικής και της προβλεπόμενης τιμής RMSD. Με τον νέο αλγόριθμο, η έρευνά μας μπορεί να συμβάλει στην αξιολόγηση των τριτοταγών δομών RNA και στην επιλογή των πιο ακριβών μεταξύ των εναλλακτικών μοντέλων τριτοταγών δομών RNA.","The 3D structure of RNA is important for understanding its biological role and useful for biotechnological applications, such as drug design. AlphaFold-inspired transformer-based deep neural networks have been recently developed for predicting 3D structure from RNA sequence. As the number of predicted models for RNA structures increase, the need for evaluation of the accuracy of these structures also increases. We trained the RMSD Estimation Algorithm (REA), a feed-forward neural network to predict the root-mean-square deviation (RMSD) of a 3D RNA structure to its experimentally determined counterparts using its Molprobity stereochemical validation features. We trained REA on 3D RNA structures predicted by DeepFoldRNA and trRosettaRNA transformer-based deep neural networks on a set of 182 models of RNA structures with pseudoknots. We compared REA to ARES, a deep learning algorithm that predicts the RMSD of a 3D RNA structure to its experimental counterpart by extracting geometric patterns with equivariant convolution. We assessed the prediction accuracy of REA on structure models of RNAs with and without pseudoknots. REA outperformed ARES on both test sets with smaller absolute difference between the true and the predicted RMSD. Our new algorithm can aid 3D RNA structure evaluation and the selection of the most accurate among alternative 3D RNA structure models."]},{"key":"dc:title","label":"Title","values":["RMSD Estimation Algorithm (REA): A Neural Network Predicting Unnatural Structural Deviation in RNA Structures"]}]}],"canonical_facts":{"dc:creator":["Καλαμπαλίκη Αγορίτσα","Kalampaliki Agoritsa"],"dc:date":["2023"],"dc:description":["Η τριτοταγής δομή του RNA είναι ιδιαίτερα σημαντική για την κατανόηση του βιολογικού ρόλου του RNA και μπορεί να αξιοποιηθεί σε βιοτεχνολογικές εφαρμογές, όπως ο σχεδιασμός φαρμάκων. Πρόσφατα αναπτύχθηκαν βαθιά νευρωνικά δίκτυα με σκοπό την πρόβλεψη της τριτοταγούς δομής του RNA από την αλληλουχία του, βασισμένα στην αρχιτεκτονική του μετασχηματιστή (transformer) του μοντέλου AlphaFold. Καθώς αυξάνεται ο αριθμός των προβλεπόμενων μοντελοποιημένων δομών του RNA, αυξάνεται και η ανάγκη για αξιολόγηση της ακρίβειας αυτών των δομών. Στην παρούσα εργασία, εκπαιδεύσαμε τον Αλγόριθμο Εκτίμησης RMSD (REA), που είναι ένα προς τα εμπρός τροφοδοτούμενο νευρωνικό δίκτυο (feed forward neural network) για την πρόβλεψη της απόκλισης (root mean squared deviation, RMSD) μιας τρισδιάστατης δομής RNA από την αντίστοιχη πειραματική δομή. Ο αλγόριθμος REA προβλέπει την τιμή του RMSD από χαρακτηριστικά της δομής που αφορούν στην απόκλιση στερεοχημικών μεγεθών, όπως οι επικαλύψεις των ακτίνων Van der Waals, των μηκών των δεσμών και του μεγέθους των γωνιών μεταξύ των ατόμων από τις φυσικές τους τιμές, τα οποία υπολογίζονται με το λογισμικό Molprobity. Εκπαιδεύσαμε το νευρωνικό δίκτυο REA σε τριτοταγείς δομές RNA που προβλέφθηκαν από τα βαθιά νευρωνικά δίκτυα DeepFoldRNA και trRosettaRNA σε ένα σύνολο 182 μοντέλων πολύπλοκων δομών RNA με ψευδοκόμπους (pseudoknots). Στην συνέχεια, συγκρίναμε τον αλγόριθμο REA με τον ARES, έναν αλγόριθμο βαθιάς μάθησης που προβλέπει την τιμή RMSD μιας τριτοταγούς δομής RNA σε σχέση με την αντίστοιχη πειραματική δομή της, εξάγοντας γεωμετρικά πρότυπα από τη δομή με τη μέθοδο της ισοδύναμης συνέλιξης. Αξιολογήσαμε την ακρίβεια πρόβλεψης του αλγορίθμου REA σε ένα σύνολο με μοντέλα δομών RNA με ψευδοκόμπους και σε ένα σύνολο με μοντέλα δομών RNA χωρίς ψευδοκόμπους. Κατά την αξιολόγηση, ο αλγόριθμος REA ξεπέρασε τον ARES και στα δύο σύνολα δοκιμών έχοντας μικρότερη απόλυτη διαφορά μεταξύ της πραγματικής και της προβλεπόμενης τιμής RMSD. Με τον νέο αλγόριθμο, η έρευνά μας μπορεί να συμβάλει στην αξιολόγηση των τριτοταγών δομών RNA και στην επιλογή των πιο ακριβών μεταξύ των εναλλακτικών μοντέλων τριτοταγών δομών RNA.","The 3D structure of RNA is important for understanding its biological role and useful for biotechnological applications, such as drug design. AlphaFold-inspired transformer-based deep neural networks have been recently developed for predicting 3D structure from RNA sequence. As the number of predicted models for RNA structures increase, the need for evaluation of the accuracy of these structures also increases. We trained the RMSD Estimation Algorithm (REA), a feed-forward neural network to predict the root-mean-square deviation (RMSD) of a 3D RNA structure to its experimentally determined counterparts using its Molprobity stereochemical validation features. We trained REA on 3D RNA structures predicted by DeepFoldRNA and trRosettaRNA transformer-based deep neural networks on a set of 182 models of RNA structures with pseudoknots. We compared REA to ARES, a deep learning algorithm that predicts the RMSD of a 3D RNA structure to its experimental counterpart by extracting geometric patterns with equivariant convolution. We assessed the prediction accuracy of REA on structure models of RNAs with and without pseudoknots. REA outperformed ARES on both test sets with smaller absolute difference between the true and the predicted RMSD. Our new algorithm can aid 3D RNA structure evaluation and the selection of the most accurate among alternative 3D RNA structure models."],"dc:identifier":["uoadl:3331663","https://pergamos.lib.uoa.gr/uoa/dl/object/3331663"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["RMSD Estimation Algorithm (REA): A Neural Network Predicting Unnatural Structural Deviation in RNA Structures"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:22Z"}