Deciphering the Language of DNA to Identify Regulatory Elements and Classify Transcripts Into Functional Classes

Información del proyecto

LanguageOfDNA

Identificador del acuerdo de subvención: 896172

DOI

10.3030/896172

Proyecto cerrado

Fecha de la firma de la CE 26 Marzo 2020

Fecha de inicio 1 Junio 2020

Fecha de finalización 28 Septiembre 2022

Financiado con arreglo a

• EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions

Coste total

€ 156 980,64

Aportación de la UE

€ 156 980,64

Coordinado por

Masarykova univerzita
Czechia

Descripción del proyecto

Descodificación del lenguaje del ADN

Las secuencias genómicas se parecen al lenguaje de los humanos en la medida en que los nucleótidos y codones transmiten información de una forma similar a cómo los fonemas y sílabas constituyen las unidades del lenguaje hablado. Una secuencia genómica puede codificar una proteína o podría transmitir un mensaje regulador o estructural. Los científicos del proyecto LanguageOfDNA, financiado con fondos europeos, emplearán algoritmos diseñados para tratar los lenguajes humanos para clasificar transcripciones del ARN y regiones genómicas sin traducir. A través de la creación de modelos de lenguaje de ADN/ARN, serán capaces de interpretar cualquier secuencia genómica y contribuir a la delineación funcional del genoma humano.

Objetivo

The genomics era dawned about two decades ago with the completion of a multi-billion project sequencing the complete human genome. Today a similar task is within reach of any modestly equipped lab, due to the advances in sequencing techniques. Thousands of new species are now having their genome sequenced per year. A volume of produced genomic data challenges the interpretation capacity of classical statistical methods, opening the doors for novel machine learning approaches.

A genomic sequence can be conceptually seen as a close parallel to a human language. Both utilize information (nucleotides/codons and phonemes/syllables) to encode and transmit a signal that can be faithfully decoded, with attention to error minimization, at the receiving end. Genomic messages are a product of multiple and often contradictory evolutionary pressures and are aimed to be decoded at the same time by many different actors in variable ways. For example, a genomic sequence could encode for a protein product, thus displaying a three-nucleotide / codon-based language model. However, it has also subtexts of the regulation (a codon sequence can include motifs aimed at RNA binding proteins), structural information (functional RNA folding patterns pressuring sequences to a specific direction) and so on.

The main challenge of applying machine learning models to the identification of genomic function is to find creative ways to untangle these multiple layers of subtexts and focus on each type of message separately. We will adapt algorithms recently developed for the processing of human languages and use them for the classification of RNA transcripts into functional classes and the classification of untranslated functional genomic regions (enhancers, transcription factor binding sites). We will create ready-to-use datasets to benchmark existing and future methods in this field and make all DNA/RNA language models publicly available.

Ámbito científico (EuroSciVoc)

• humanidades › lenguas y literatura › estudios generales del lenguaje
• ciencias naturales › ciencias biológicas › genética › ADN
• ciencias naturales › ciencias biológicas › genética › ARN
• ciencias naturales › informática y ciencias de la información › inteligencia artificial › aprendizaje automático
• ciencias naturales › ciencias biológicas › genética › genoma

Palabras clave

• Genomics
• Functional Genomics
• Transcription factors
• Small RNAs
• Deep neural networks
• Machine learning

Programa(s)

• H2020-EU.1.3. - EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions PROGRAMA PRINCIPAL
  
• H2020-EU.1.3.2. - Nurturing excellence by means of cross-border and cross-sector mobility
  

Tema(s)

• MSCA-IF-2019 - Individual Fellowships
  

Régimen de financiación

MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)

Convocatoria de propuestas

H2020-MSCA-IF-2019

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