Genomic Context of microRNAs: Integrating Deep Learning with Capture Long-Read Sequencing

Σκοπός της παρούσας διατριβής ήταν να προσδιορίσει τους τρόπους με τους οποίους μπορεί κανείς να εντοπίσει αποτελεσματικά τη θέση έναρξης της μεταγραφής (TSS) των ανθρώπινων miRNAs. Είναι γνωστό ότι ορισμένα από τα miRNAs επεξεργάζονται στην τελική τους μορφή μέσα σε ελάχιστα δευτερόλεπτα από τη στιγμή που εγκαταλείπουν την αλληλουχία του DNA. Είναι εξαιρετικά δύσκολο να προσδιοριστεί η ακριβής τοποθεσία α- πό την οποία εκφράζονται τα miRNAs. Για την αποτελεσματική αντιμετώπιση αυτού του προβλήματος, δημιουργήθηκε ένα σύστημα πολλαπλών επιπέδων χρησιμοποιώντας ένα μοντέλο βαθιάς μάθησης γνωστό ως «DeepTSS», το οποίο είναι ένα CNN (Συνελικτικό Νευρωνικό Δίκτυο) πολλαπλών κλάδων. Το μοντέλο «DeepTSS» ενσωματώνει δεδομέ- να FANTOM5 CAGE από πρωτεϊνοκωδικοποιητικά γονίδια με δεδομένα CLS (Capture Long-read Sequencing) από την έκδοση Gencode 2024 για τον προσδιορισμό των TSS των miRNAs. Χρησιμοποιώντας ένα υψηλό επίπεδο εμπιστοσύνης 0,9 με μέγεθος πα- ραθύρου 66 kb για τη μεγιστοποίηση της ειδικότητας των δεδομένων, κατέστη δυνατός ο προσδιορισμός των προαγωγών υψηλής εμπιστοσύνης των «ορφανών» miRNAs σε ποσοστό 32,03% (90/612). Ανακαλύψαμε επίσης ότι 11 κοινοί ρυθμιστικοί κόμβοι εμπλέ- κονται στη ρύθμιση αρκετών πρόδρομων μορίων μέσω πολυκιστρονικής μεταγραφής. Συ- μπερασματικά, η έρευνά μας παρέχει μια πιο λεπτομερή εικόνα της γονιδιακής ρύθμισης που διαμεσολαβείται από τα miRNA και του ρόλου των miRNAs στις ανθρώπινες ασθέ- νειες.

Authors dc:creator

• ΒΟΥΛΓΑΡΗ ΔΕΣΠΟΙΝΑ
• VOULGARI DESPOINA

• Θετικές Επιστήμες
• Science

Language dc:language

English

Identifier

uoadl:5374223

OAI identifier oai:identifier

oai:lib.uoa.gr:uoadl:5374223