Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Using Deep Learning to understand RNA Binding Protein binding characteristics

Opis projektu

Badanie cech funkcjonalnych białek wiążących RNA z wykorzystaniem modelu uczenia maszynowego

Białka wiążące RNA (ang. RNA-binding protein, RBP) regulują ekspresję genów, ponieważ są w stanie rozpoznawać setki transkryptów i tworzyć sieci regulacyjne w celu utrzymania homeostazy komórkowej. Ogólnoświatowe badania przesiewowe pod kątem RBP poskutkowały odkryciem setek białek bez dostrzegalnych domen wiążących RNA. Białka te, nazywane enigmRBP, wiążą RNA w nieznany i zmienny sposób. Naukowcy z finansowanego ze środków UE projektu DEEPLEARNRBP chcą opracować model uczenia maszynowego w celu zbadania funkcjonalnych implikacji cech wiązania RBP. Zespół projektu skupi się na praktycznej interpretacji modelu uczenia maszynowego do nauki wiedzy biologicznej, w szczególności wzajemnego oddziaływania pomiędzy różnymi czynnikami wejściowymi o drugorzędowej strukturze, sekwencji i zachowaniu.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Program(-y)

Temat(-y)

System finansowania

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

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) H2020-WF-2018-2020

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

Masarykova univerzita
Wkład UE netto
€ 156 980,64
Koszt całkowity
€ 156 980,64