Login
- Original title:
- Prediction of protein structural features by machine learning methods
- Translated title:
- Vorhersage von Strukturmerkmalen in Proteinen mit Methoden der künstlichen Intelligenz
- Author:
- Kirschner, Andreas
- Year:
- 2009
- Document type:
- Dissertation
- Faculty/School:
- Fakultät Wissenschaftszentrum Weihenstephan
- Advisor:
- Frischmann, Dimitri (Prof. Dr.)
- Referee:
- Frischmann, Dimitri (Prof. Dr.); Antes, Iris (Prof. Dr.)
- Language:
- en
- Subject group:
- BIO Biowissenschaften; DAT Datenverarbeitung, Informatik; MAT Mathematik
- Keywords:
- Protein, Secondary Structure, Solvent Accessibility, Contact Map, Prediction, Analysis, Machine Learning Algorithms, MOLEBRNN
- Abstract:
- Genome sequencing projects continue to reveal the building blocks of life by producing enormous amounts of protein sequences, whose biological roles can be understood only when the structure and function of these are elucidated. With the aim to aid structure determination by computational prediction methods throughout this work an array of machine learning techniques is used to investigate the sequence-structure relationships.
One important advance made is the development of a novel recurrent neural network which is capable of predicting multiple mutually dependent structural motifs. This computational architecture was successfully applied to develop accurate predictors of several one-dimensional structural features.
Additionally, the first method to identify interacting residues and alpha-helices in membrane proteins is presented. The neural network approach utilizes input features commonly used for soluble proteins as well as novel features pertinent to membrane proteins. - Translated abstract:
- Durch die Sequenzierung von Genomen werden die Bausteine des Lebens, die Proteine, fortwährend sichtbar gemacht. Deren biologische Rolle kann nur entschlüsselt werden, wenn ihre Strukturen und Funktionen bekannt sind. Mit dem Ziel die rechnergestützte Strukturaufklärung zu verbessern werden in dieser Arbeit Methoden der künstlichen Intelligenz angewandt um Sequenz-Struktur Beziehungen aufzudecken.
Eine wichtige Neuerung hierbei ist ein neuartiges künstliches neuronales Netz mit der Möglichkeit mehrere Eigenschaften gleichzeitig vorherzusagen. Die Architektur wurde erfolgreich zur Vorhersage von etlichen eindimensionalen strukturellen Mustern in Proteinen verwendet.
Weiterhin wird die erste Methode zur Vorhersage von Interaktionen zwischen Aminosäureresten und Alpha-Helices in Membranproteinen vorgestellt. Das verwendete neuronale Netz nutzt Merkmale die auch bei löslichen Proteinen auftreten und welche die speziell für Membranproteine entwickelt wurden. - WWW:
- https://mediatum.ub.tum.de/?id=673555
- Date of submission:
- 01.10.2008
- Oral examination:
- 15.07.2009
- Pages:
- 164
- Urn (citeable URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20080915-673555-1-4
- Last change:
- 30.07.2009
BibTeX
Occurrences: