Opis projektu
Dekodowanie języka DNA
Sekwencje genomu przypominają ludzki język – nukleotydy i kodony przekazują informacje na podobnej zasadzie, jak fonemy i sylaby składają się na jednostki języka mówionego. Sekwencja genomu może kodować jakieś białko, albo przekazywać komunikat dotyczący regulacji lub struktury. Naukowcy skupieni wokół finansowanego przez UE projektu LanguageOfDNA wykorzystają algorytmy przeznaczone do przetwarzania języka ludzkiego do sklasyfikowania transkryptów RNA i rejonów genomu niepodlegających translacji. Dzięki stworzeniu modeli języka DNA/RNA uczeni będą w stanie zinterpretować każdą sekwencję genomu oraz wnieść wkład w funkcjonalne scharakteryzowanie ludzkiego genomu.
Cel
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.
Dziedzina nauki
- humanitieslanguages and literaturegeneral language studies
- natural sciencesbiological sciencesgeneticsDNA
- natural sciencesbiological sciencesbiochemistrybiomoleculesproteins
- natural sciencesbiological sciencesgeneticsRNA
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
601 77 Brno
Czechy