Evoluční strategie v úloze predikce vlivu aminokyselinových mutací na stabilitu proteinu
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se zabývá otázkou predikce změn stability proteinů v důsledku aminokyselinových mutací. Cílem je vytvořit meta-klasifikátor, který bude využívat výsledky predikcí vybraných nástrojů, použít evoluční strategii pro přiřazení vah jednotlivým nástrojům a dosáhnout tak větší úspěšnosti predikce než při použití nástrojů samostatně. Bylo vybráno celkem pět dostupných nástrojů, jejichž výsledky predikcí byly váhovány. Jsou zde zkoumány a porovnávány dvě odlišné metody evoluční strategie. První je evoluční strategie s pravidlem 1/5 a druhou je evoluční strategie s autoevolucí řídících parametrů typu 2. Pro trénování a následné ověření úspěšnosti navrženého meta-klasifikátoru byly vytvořeny dvě nezávislé sady mutací. Z provedených experimentů a dosažených výsledků byl zjištěn možný přínos evoluční strategie, ovšem za podmínek pečlivého výběru sady nástrojů a datových sad pro trénování a testování.
This master's thesis deals with the matter of predicting the effects of aminoacid substitutions on protein stability. The main aim is to design meta-classifier that combines the results of the selected prediction tools. An evolution strategy was used to find the best weights for each of the selected tools with the aim of achieving better prediction performance compared to that achieved by using these tools separately. Five different and obtainable prediction tools were selected and their prediction outputs were weighted. Two different approaches of evolution strategy are investigated and compared: evolution strategy with the 1/5-rule and evolution strategy with the type 2 of control parameters self-adaptation. Two independent datasets of mutations were created for training and evaluating the performance of designed meta-classifier. The performed experiments and obtained results suggest that the evolution strategy could be considered as a~beneficial approach for prediction of protein stability changes. However, the special attention must be paid to careful selection of tools for integration and compilation of training and testing datasets.
This master's thesis deals with the matter of predicting the effects of aminoacid substitutions on protein stability. The main aim is to design meta-classifier that combines the results of the selected prediction tools. An evolution strategy was used to find the best weights for each of the selected tools with the aim of achieving better prediction performance compared to that achieved by using these tools separately. Five different and obtainable prediction tools were selected and their prediction outputs were weighted. Two different approaches of evolution strategy are investigated and compared: evolution strategy with the 1/5-rule and evolution strategy with the type 2 of control parameters self-adaptation. Two independent datasets of mutations were created for training and evaluating the performance of designed meta-classifier. The performed experiments and obtained results suggest that the evolution strategy could be considered as a~beneficial approach for prediction of protein stability changes. However, the special attention must be paid to careful selection of tools for integration and compilation of training and testing datasets.
Description
Citation
PAVLÍK, D. Evoluční strategie v úloze predikce vlivu aminokyselinových mutací na stabilitu proteinu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2014.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Bioinformatika a biocomputing
Comittee
prof. Ing. Lukáš Sekanina, Ph.D. (předseda)
prof. RNDr. Milan Češka, CSc. (místopředseda)
Ing. Vladimír Bartík, Ph.D. (člen)
Prof. RNDr. Mária Lucká, Ph.D. (člen)
Ing. Tomáš Martínek, Ph.D. (člen)
doc. Ing. František Zbořil, CSc. (člen)
Date of acceptance
2014-06-25
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm velmi dobře (B). Otázky u obhajoby: Z vytvořených datasetů jste odstranil mutace, které nelze ohodnotit všemi vybranými nástroji. Není to škoda? Nemohla by se evoluční strategie něco naučit i z těchto dat? Dal by se aplikovat proces hledání vhodných vah meta-prediktoru (skrze evoluční strategii) i datech z patentů? Respektive, napadá vás nějaký způsob, jak při trénování meta-prediktoru eliminovat vliv mutací z trénovacího datasetu, které jsou současně použity i pro trénování některých vybraných nástrojů?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení