Using Deep Learning to understand RNA Binding Protein binding characteristics

Información del proyecto

DEEPLEARNRBP

Identificador del acuerdo de subvención: 867414

DOI

10.3030/867414

Proyecto cerrado

Fecha de la firma de la CE 26 Abril 2019

Fecha de inicio 1 Julio 2019

Fecha de finalización 9 Mayo 2022

Financiado con arreglo a

• SPREADING EXCELLENCE AND WIDENING PARTICIPATION

Coste total

€ 156 980,64

Aportación de la UE

€ 156 980,64

Coordinado por

Masarykova univerzita
Czechia

Descripción del proyecto

Estudio de las características funcionales de las proteínas de unión a ARN mediante un modelo de aprendizaje automático

Las proteínas de unión a ARN (RBP, por sus siglas en inglés) regulan la expresión génica, ya que pueden reconocer cientos de transcritos y crear redes de regulación para mantener la homeostasis celular. Los cribados globales de RBP han permitido identificar cientos de proteínas sin dominios de unión a ARN discernibles. Estas proteínas, denominadas «enigmRBP», se unen al ARN de una forma desconocida y variable. El objetivo del proyecto financiado con fondos europeos DEEPLEARNRBP es desarrollar un modelo de aprendizaje automático para examinar las repercusiones funcionales de las características de unión de las RBP. El proyecto se centrará en la interpretación práctica del modelo de aprendizaje automático para el conocimiento biológico, en concreto en el aprendizaje de la interacción entre diversas fuentes de información de estructura secundaria, secuencia y conservación.

Objetivo

New technologies have revolutionized our understanding of RNA binding protein (RBP) function. Global screens for RBPs have pulled down hundreds of proteins for which no discernable RNA Binding Domain is present. These proteins, termed enigmRBPs due to their enigmatic nature, do bind RNA in unknown and variable fashion. An ever increasing number of such RBPs are having their target sites identified via CrossLinking and ImmunoPrecipitation Sequencing techniques (CLIP-Seq). This torrent of data can be harnessed by novel Deep Learning techniques to identify high order characteristics of RBP function.

The aim of this proposal is the development of a machine learning model that can explore the functional implications of RBP binding characteristics. A model that, given an enigmatic RBP, can identify other known RBPs that show similar binding characteristics, such as sequence motifs, conservation motifs, secondary structure motifs, and higher order combinations of the above.

We will focus on methods to practically interpret the machine learning model to biological knowledge, especially higher order filters that can learn the interplay among varied input, such as secondary structure, sequence and conservation. Beyond the theoretical, we will disseminate our methods in easy to use, standalone and web application format, in order to increase the practical application of our research.

We are transplanting expertise from the bioinformatics and machine learning field, into a fertile substrate of RNA biology and CLIP-Seq experimentation. This interdisciplinary project will involve close collaboration and two-way transfer of knowledge in a dynamic research environment.

Ámbito científico (EuroSciVoc)

• ciencias naturales › ciencias biológicas › bioquímica › biomoléculas › proteínas
• ciencias naturales › informática y ciencias de la información › inteligencia artificial › aprendizaje automático › aprendizaje profundo
• ciencias naturales › ciencias biológicas › genética › ARN

Programa(s)

• H2020-EU.4. - SPREADING EXCELLENCE AND WIDENING PARTICIPATION PROGRAMA PRINCIPAL
  

Tema(s)

• WF-01-2018 - Widening Fellowships
  

Régimen de financiación

MSCA-IF-EF-RI - RI – Reintegration panel

Convocatoria de propuestas

H2020-WF-2018-2020

Coordinador

Masarykova univerzita

• Aportación neta de la UEn: € 156 980,64
• Dirección: Zerotinovo namesti 9 ; 601 77 Brno ; Chequia
• Región: Česko › Jihovýchod › Jihomoravský kraj
• Tipo de actividad: Higher or Secondary Education Establishments
• Coste total: € 156 980,64