prikaz prve stranice dokumenta Kombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju
No public access
master's thesis
Kombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:765597
Martinović, Ivona
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Martinović, I. (2022). Kombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:765597

Martinović, Ivona. "Kombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:765597

Martinović, Ivona. "Kombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:765597

Martinović, I. (2022). 'Kombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 26 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:765597

Martinović I. Kombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 November 26] Available at: https://urn.nsk.hr/urn:nbn:hr:168:765597

I. Martinović, "Kombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:765597

Metadata
TitleKombiniranje informacija o strukturi proteina i RNA u razvoju nove funkcije bodovanje temeljene na dubokom učenju
Title (english)Combining Protein and RNA Structures Information in Developing New Scoring Function
AuthorIvona Martinović
MentorMile Šikić (mentor)
Committee memberMile Šikić (predsjednik povjerenstva)
Committee memberDavor Petrinović (član povjerenstva)
Committee memberMarko Subašić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-09-16, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Predikcija strukture RNA molekula još je teži zadatak od predikcije stukture proteine zbog toga što je trenutno dostupno značajno manje strukturnih mjerenja RNA molekula. Jedan od pristupa predviđanju strukture RNA molekula je treniranje neuronske mreže koja bi ocjenjivala koliko je neka konfiguracija atoma daleko od toga da bude ispravna RNA molekula. Jedan takav model, nazvan ARES (Atomic Rotationally Equivariant Scorer), nedavno je implementiran. Ovaj rad istražio je u kolikoj se mjeri velika količina podataka o proteinskim strukturama može iskoristiti da bi se popravilo ocjenjivanje strukture RNA molekula. Pokazano je da kombinacija podataka o strukturama proteina i RNA molekula može poboljšati rezultate. Treniranje modela na većoj količini podataka o strukturama proteina pokazuje da ARES neuronska mreža može iskoristit činjenicu da su i proteini i RNA molekule u osnovi dugi lanci organskih spojeva koji se svijaju u sličnom okruženju unutar stanice i posljedično takav model ima bolje rezultate od onoga treniranog samo na podacima o strukturama RNA molekula.
Abstract (english)
Compared to protein structure prediction, the RNA structure prediction task is even more difficult due to the fact that there are far fewer structural measurements of RNA molecules currently available. One way of approaching the structure prediction problem is to train a neural network that can score how far a given configuration of atoms is from being a valid RNA molecule. Such a model, named ARES (Atomic Rotationally Equivariant Scorer), has recently been implemented. This thesis has investigated to which extent information from the vast pool of protein structure data can be used to improve the scoring of RNA molecules. It has been shown that the combination of protein and RNA data can improve the results. Training the model on a larger amount of protein data has confirmed the fact that the ARES neural network can utilize the fact that both proteins and RNA molecules are long chains of organic compounds and fold under similar conditions inside a cell and consequently this model has better results than the one trained only on RNA data.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:765597
Study programmeTitle: Computing
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 conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-14 09:28:54