MikroRNAiden kohdepaikkojen ennustaminen eri menetelmin

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorLähdesmäki, Harri
dc.contributor.authorKarhu, Kalle
dc.contributor.schoolElektroniikan, tietoliikenteen ja automaation tiedekuntafi
dc.contributor.supervisorTarhio, Jorma
dc.date.accessioned2012-03-06T14:04:05Z
dc.date.available2012-03-06T14:04:05Z
dc.date.issued2009
dc.description.abstractMikroRNAiden kohdepaikkojen ennustaminen on verrattain uusi tutkimuskenttä, jossa tarkoituksena on ennustaa noin 22 nukleotidin mittaisten RNA-sekvenssien käyttäytymistä. On osoitettu, että mikroRNAt säätelevät geenien ekspressiotasoja eläimissä ja kasveissa sitoutumalla lähetti-RNA:ihin ja siten estämällä niiden translaatiota proteiineiksi. Ensimmäiset mikroRNAiden kohdepaikkoja ennustavat työkalut esiteltiin vuonna 2003. Kohdepaikkojen ennustaminen on erityisen vaikeaa eläinkuntaan kuuluvissa organismeissa. Ongelmat aiheutuvat osin jo tunnettujen mekanismien monimutkaisuudesta ja osin siitä, että kaikkia mekanismeja, jotka liittyvät mikroRNA:n sitoutumiseen lähetti-RNA:han, ei vielä täysin tunneta. Tässä diplomityössä esitellään seitsemän käytössä olevaa mikroRNAiden kohdepaikkoja ennustavaa työkalua ja yksi uusi työkalu. Esitelty uusi työkalu käyttää geneettistä algoritmia mikroRNAn ja lähetti-RNA:n rinnastuksessa käytettävien parametrien optimointiin. Tätä työkalua verrataan tunnettuun ja tunnustettuun miRanda työkaluun. Saadut tulokset osoittavat, että GA-pohjainen työkalu saavuttaa mikroRNA - lähetti-RNA luokittelussa samoilla spesifisyys arvoilla tasaisesti korkeampia sensitiivisyys arvoja, kuin miRanda. Lisäksi esitetyt tulokset tukevat hypoteesia vähintään kahden erityyppisen mikroRNA - lähetti-RNA dupleksin olemassaolosta.fi
dc.description.abstractMicroRNA target prediction is a relatively new field, predicting the actions of approximately 22 nt long RNA sequences, which are shown to cause translational repression in animals and plants. First prediction tools were introduced in 2003. In animals, the prediction is computationally extremely challenging. This is due to the various complex mechanics involved and the fact that the biological phenomenon of miRNA-mRNA binding is still largely unknown. This thesis provides a condensed overview of the field, by presenting seven existing and one new animal miRNA target prediction tool. The new prediction tool uses a genetic algorithm to optimize a_ne gap alignment parameters used in the prediction. This tool is compared with a popular and established tool, miRanda. The results suggest that the GA-based tool produces more accurate target predictions. It is shown that the GA-based target predictor outperforms the miRanda tool in the classification of potential miRNA-mRNA interactions, consistently resulting in higher sensitivity values with identical specificity values. It is additionally shown that the affine gap alignment parameters produced by the GA result in better performance than a set of hand tuned parameters used by the miRanda target prediction tool. The results presented in this thesis additionally give rise to the hypothesis of the existence of at least two different types of miRNA-mRNA duplexes.en
dc.format.extent[7] + 57
dc.format.mimetypeapplication/pdf
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/3154
dc.identifier.urnURN:NBN:fi:aalto-201203091385
dc.language.isoenen
dc.locationP1fi
dc.programme.majorOhjelmistotekniikkafi
dc.programme.mcodeT-106
dc.publisherHelsinki University of Technologyen
dc.publisherTeknillinen korkeakoulufi
dc.rights.accesslevelopenAccess
dc.subject.keywordmicroRNAsen
dc.subject.keywordmicroRNA targetsen
dc.subject.keywordgenetic algorithmsen
dc.subject.keywordmikroRNAtfi
dc.subject.keywordmikroRNAiden kohdepaikatfi
dc.subject.keywordgeneettiset algoritmitfi
dc.titleMikroRNAiden kohdepaikkojen ennustaminen eri menetelminfi
dc.titleExploring the effect of different microRNA target prediction techniquesen
dc.typeG2 Pro gradu, diplomityöfi
dc.type.dcmitypetexten
dc.type.okmG2 Pro gradu, diplomityö
dc.type.ontasotDiplomityöfi
dc.type.ontasotMaster's thesisen
dc.type.publicationmasterThesis
local.aalto.digifolderAalto_34242
local.aalto.idinssi39408
local.aalto.openaccessyes

Files

Original bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
urn100147.pdf
Size:
894.4 KB
Format:
Adobe Portable Document Format