Back to search

National and Kapodistrian University of Athens

Εφαρμογή μοντέλων Βαθιάς Μηχανικής Μάθησης για την πρόβλεψη της τρισδιάστατης δομής του RNA

Abstract

dc:description

Τα μόρια RNA που δεν κωδικοποιούν πρωτεΐνες (non-coding RNA - ncRNA) έχουν σημαντικό ρόλο σε βιολογικές λειτουργίες καθώς συμμετέχουν σε ρυθμιστικούς μηχανισμούς όπως ο έλεγχος της γονιδιακής έκφρασης, η σύνθεση πρωτεϊνών και η μοριακή σηματοδότηση. Τα ncRNA επιτελούν τις λειτουργίες αυτές μέσω της χαρακτηριστικής τρισδιάστατης δομής που λαμβάνουν στο χώρο μετά την αναδίπλωσή της πολυνουκλεοτιδικής τους αλυσίδας. Ο προσδιορισμός της τρισδιάστατης δομής του RNA είναι επομένως κομβικής σημασίας για τη διαλεύκανση των μηχανισμών των ασθενειών στις οποίες εμπλέκονται τα μόρια αυτά. Παρ’όλα αυτά ο προσδιορισμός της τρισδιάστατης δομής του RNA είναι ιδιαίτερα σύνθετος πειραματικά, ενώ οι υπολογιστικές μέθοδοι δεν είναι ακόμα αρκετά ακριβείς για δομικές προβλέψεις. Με βάση την επιτυχία μεγάλων πρωτεϊνικών γλωσσικών μοντέλων προ-εκπαιδευμένων σε μεγάλο αριθμό πρωτεϊνικών αλληλουχιών που χρησιμοποιούν επεξεργασία φυσικής γλώσσας για την πρόβλεψη πρωτεϊνικής δομής, στην παρούσα διπλωματική εργασία διερευνούμε την καταλληλότητα των προ-εκπαιδευμένων νουκλεϊκών γλωσσικών μοντέλων DNABERT και RNABERT για την πρόβλεψη της δομής του RNA. Συγκεκριμένα, σχεδιάσαμε και υλοποιήσαμε μοντέλα Μηχανικής Μάθησης και Βαθιάς Μάθησης για να εξορύξουμε την εξελικτική - δομική πληροφορία από τα νουκλεϊκά γλωσσικά μοντέλα για να προβλέψουμε τη δευτεροταγή ή και τριτοταγή δομή του RNA. Μια τέτοια προσέγγιση ξεπερνά το πρόβλημα των περιορισμένων διαθέσιμων δομών RNA που δεν αρκούν για την εκ νέου εκπαίδευση μοντέλων τεχνητής νοημοσύνης που προβλέπουν απευθείας δομή γιατί χρησιμοποιούν δεδομένα ακολουθιών νουκλεϊκών οξέων, που αφθονούν λόγω της βελτιστοποίησης των τεχνικών αλληλούχισης κατά τη μετα-ωμική εποχή, κατ’αντιστοιχία με τα πρωτεϊνικά γλωσσικά μοντέλα. Τα αποτελέσματά μας δείχνουν ότι τα μοντέλα Μηχανικής και Βαθιάς Μάθησης δεν εντοπίζουν εξελικτική - δομική πληροφορία από τα διαθέσιμα γλωσσικά μοντέλα DNABERT και RNABERT. Ωστόσο, αποδεικνύουμε ότι η αρχιτεκτονική τους είναι ικανή να ανακτήσει δομικές συσχετίσεις, αλλά απαιτείται μεγάλος αριθμός δεδομένων (ακολουθιών νουκλεϊκών οξέων). Συμπερασματικά, τα νουκλεϊκά γλωσσικά μοντέλα μπορούν να συνεισφέρουν στην πρόβλεψη της δομής του RNA, εφόσον όμως αναπτυχθούν νέα – κατάλληλα εκπαιδευμένα γλωσσικά μοντέλα για το RNA.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Παπάζογλου Ιωάννης
  • Papazoglou Ioannis

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3350249

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Παπάζογλου Ιωάννης; Papazoglou Ioannis. Εφαρμογή μοντέλων Βαθιάς Μηχανικής Μάθησης για την πρόβλεψη της τρισδιάστατης δομής του RNA. 2023. https://pergamos.lib.uoa.gr/uoa/dl/object/3350249