際際滷

際際滷Share a Scribd company logo

Interpreting DNA using artificial intelligence - DataBeers Tuscany

Download as PPTX, PDF
Data Beers Tuscany
Data Beers Tuscany

How bioinformatics use data to study DNA and life cycles. Presented at first Data Beers Tuscany by Monica Bianchini.

1 of 12
Download to read offline
Interpretare il codice della vita con lIntelligenza Artificiale Monica Bianchini Universit degli Studi di Siena Dipartimento di Ingegneria dellInformazione e Scienze Matematiche
I motori della vita Le proteine sono macromolecole costituite da venti diversi tipi di amminoacidi, legati in successione mediante legami peptidici
Folding proteico la struttura nativa di una proteina che ne determina la funzione In condizioni fisiologiche, le proteine, sintetizzate come polimeri lineari, collassano e si modellano in complesse strutture tridimensionali, dette strutture native Il meccanismo di avvolgimento della catena polipep- tidica, il folding, rappresenta il passaggio conclusivo del trasferimento dellinformazione genetica dal DNA al suo prodotto finale, il proteoma
Folding proteico Il numero di folding distinti (700), assunti dalle proteine osservate finora, sono il risultato della com- binazione di un piccolo numero di semplici motivi strutturali locali ￥eliche foglietti
Predizione delle strutture proteiche Perch辿 studiare la struttura 3D di una proteina? Il confronto tra strutture proteiche mette in luce relazioni evolutive difficilmente rilevabili tramite confronto fra sequenze permette la predizione della funzione di nuove proteine sulla base della struttura di proteine note Le proteine sono molecole flessibili: conoscere la struttura 3D, e poterne descrivere levoluzione superficiale, apre la strada alla progettazione di nuovi farmaci
Cosa abbiamo a disposizione? Banche dati biologiche (es.: PDB), perennemente aggiornate ed in continua espansione necessit di operare in tempo reale Allinterno delle biobanche, dati annotati, per cui la soluzione del problema 竪 nota Gli strumenti dellIntelligenza Artificiale, in parti- colare le Reti Neurali Artificiali Sono in grado di apprendere da esempi, inferendo regole dallosservazione e mimando il processo cognitivo biologico Predizione delle strutture proteiche
Nelle reti neurali, lapprendimento si realizza tramite laggiustamento dei pesi sinaptici, effettuato su un sottoinsieme dei dati La rete svilupper memoria e capacit di estrapola- zione cos狸 da rispondere correttamente a nuovi stimoli, purch辿 congruenti con quanto ha appreso Le Reti Neurali Artificiali
Predizione della struttura secondaria Classificazione delle ￥eliche Contesto C Residuo R Finestra W O Onon_ Rete Neurale I migliori metodi numerici di predizione delle strut- tura secondaria utilizzano reti neurali
Predizione della struttura secondaria Classificazione delle ￥eliche Set dalla banca dati Mapping noto Conoscenza codificata nei pesi Nuova sequenza Mapping di predizione Addestramento Predizione
Quando residui di cisteina, lontani nella struttura primaria della proteina, si trovano vicini nello spazio 3D, possono formare legami disolfuro covalenti I ponti disolfuro producono un effetto stabilizzante significativo sulla struttura ripiegata di una proteina Verso la predizione della struttura 3D I ponti disolfuro
Predizione dei ponti disolfuro S SC CC C 1 MVKGPGLYTDIGKKARDLLYKDYHS--DKKFTISTYSCTGVAITSSGTKKGEL--FLGDV 2 SAKGPGLYTDIGKKARDLLYRDYQT--DQKFSITTYSCTGVAITSSGTKKGDL--FLADV 3 MVKGPGLYSDIGKRARDLLYRDYQS--DHKFTLTTYTCNGVAITSTGTKKGEL--FLADV 4 MVKGPGLYSDIGKKARDLLYRDYVS--DHKFTVTTYSCTGVAITASGLKKGEL--FLADV 5 MVKGPGLYTEIGKKARDLLYRDYQG--DQKFSVTTYSCTGVAITTTGTNKGSL--FLGDV 6 MVVAVGLYTDIGKKTRDLLYKDYNT--HQKFCLTTSSCNGVAITAAGTRKNES--IFGEL 7 -MGGPGLYSGIGKKAKDLLYRDYQT--DHKFTLTTYTCNGPAITATSTKKADL--TVGEI 8 AVVRPYADLGKSARDVFTKGYGFG-LIKLDLKTKSENGLEFTSSGSANTETTKVTGSLEI 9 --AVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSGNGLEFTSSGSANTETTKVTGSL 10 -MAVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSGNGLEFTSSGSANTETTKVNGSL 11 --AVPPSYADLGKSARDIFNKGYGFG-LVKLDVKTKSCTGVEFTTSGTSNTDSGKVNGSL 12 --MAPPSYSDLGKQARDIFSKGYNFG-LWKLDLKTKTCSGIEFNTAGHSNQESGKVFGSL 13 --MAVPAFSDIAKSANDLLNKDFYHLAAGTIEVKSNTCNNVAFKVTGKSTHDK-VTSGAL Bonding Non bonding Verso la predizione della struttura 3D I ponti disolfuro
Concludendo La struttura secondaria di una proteina pu嘆 essere predetta con accuratezza significativa (75%) usando le tecniche dellIntelligenza Artificiale e, in particolare, le reti neurali artificiali La struttura terziaria 竪 molto pi湛 difficile da predire, ma si pu嘆 ricostruire a partire dalla predizione dei contatti fra amminoacidi lontani nella sequenza proteica Conoscere la truttura 3D delle proteine significa cono- scerne la funzione, cio竪 determinare quali informazioni sono biologicamente significative per la crescita, la riproduzione, levoluzione delle specie viventi

More Related Content

Interpreting DNA using artificial intelligence - DataBeers Tuscany

  • 1. Interpretare il codice della vita con lIntelligenza Artificiale Monica Bianchini Universit degli Studi di Siena Dipartimento di Ingegneria dellInformazione e Scienze Matematiche
  • 2. I motori della vita Le proteine sono macromolecole costituite da venti diversi tipi di amminoacidi, legati in successione mediante legami peptidici
  • 3. Folding proteico la struttura nativa di una proteina che ne determina la funzione In condizioni fisiologiche, le proteine, sintetizzate come polimeri lineari, collassano e si modellano in complesse strutture tridimensionali, dette strutture native Il meccanismo di avvolgimento della catena polipep- tidica, il folding, rappresenta il passaggio conclusivo del trasferimento dellinformazione genetica dal DNA al suo prodotto finale, il proteoma
  • 4. Folding proteico Il numero di folding distinti (700), assunti dalle proteine osservate finora, sono il risultato della com- binazione di un piccolo numero di semplici motivi strutturali locali ￥eliche foglietti
  • 5. Predizione delle strutture proteiche Perch辿 studiare la struttura 3D di una proteina? Il confronto tra strutture proteiche mette in luce relazioni evolutive difficilmente rilevabili tramite confronto fra sequenze permette la predizione della funzione di nuove proteine sulla base della struttura di proteine note Le proteine sono molecole flessibili: conoscere la struttura 3D, e poterne descrivere levoluzione superficiale, apre la strada alla progettazione di nuovi farmaci
  • 6. Cosa abbiamo a disposizione? Banche dati biologiche (es.: PDB), perennemente aggiornate ed in continua espansione necessit di operare in tempo reale Allinterno delle biobanche, dati annotati, per cui la soluzione del problema 竪 nota Gli strumenti dellIntelligenza Artificiale, in parti- colare le Reti Neurali Artificiali Sono in grado di apprendere da esempi, inferendo regole dallosservazione e mimando il processo cognitivo biologico Predizione delle strutture proteiche
  • 7. Nelle reti neurali, lapprendimento si realizza tramite laggiustamento dei pesi sinaptici, effettuato su un sottoinsieme dei dati La rete svilupper memoria e capacit di estrapola- zione cos狸 da rispondere correttamente a nuovi stimoli, purch辿 congruenti con quanto ha appreso Le Reti Neurali Artificiali
  • 8. Predizione della struttura secondaria Classificazione delle ￥eliche Contesto C Residuo R Finestra W O Onon_ Rete Neurale I migliori metodi numerici di predizione delle strut- tura secondaria utilizzano reti neurali
  • 9. Predizione della struttura secondaria Classificazione delle ￥eliche Set dalla banca dati Mapping noto Conoscenza codificata nei pesi Nuova sequenza Mapping di predizione Addestramento Predizione
  • 10. Quando residui di cisteina, lontani nella struttura primaria della proteina, si trovano vicini nello spazio 3D, possono formare legami disolfuro covalenti I ponti disolfuro producono un effetto stabilizzante significativo sulla struttura ripiegata di una proteina Verso la predizione della struttura 3D I ponti disolfuro
  • 11. Predizione dei ponti disolfuro S SC CC C 1 MVKGPGLYTDIGKKARDLLYKDYHS--DKKFTISTYSCTGVAITSSGTKKGEL--FLGDV 2 SAKGPGLYTDIGKKARDLLYRDYQT--DQKFSITTYSCTGVAITSSGTKKGDL--FLADV 3 MVKGPGLYSDIGKRARDLLYRDYQS--DHKFTLTTYTCNGVAITSTGTKKGEL--FLADV 4 MVKGPGLYSDIGKKARDLLYRDYVS--DHKFTVTTYSCTGVAITASGLKKGEL--FLADV 5 MVKGPGLYTEIGKKARDLLYRDYQG--DQKFSVTTYSCTGVAITTTGTNKGSL--FLGDV 6 MVVAVGLYTDIGKKTRDLLYKDYNT--HQKFCLTTSSCNGVAITAAGTRKNES--IFGEL 7 -MGGPGLYSGIGKKAKDLLYRDYQT--DHKFTLTTYTCNGPAITATSTKKADL--TVGEI 8 AVVRPYADLGKSARDVFTKGYGFG-LIKLDLKTKSENGLEFTSSGSANTETTKVTGSLEI 9 --AVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSGNGLEFTSSGSANTETTKVTGSL 10 -MAVPPTYADLGKSARDVFTKGYGFG-LIKLDLKTKSGNGLEFTSSGSANTETTKVNGSL 11 --AVPPSYADLGKSARDIFNKGYGFG-LVKLDVKTKSCTGVEFTTSGTSNTDSGKVNGSL 12 --MAPPSYSDLGKQARDIFSKGYNFG-LWKLDLKTKTCSGIEFNTAGHSNQESGKVFGSL 13 --MAVPAFSDIAKSANDLLNKDFYHLAAGTIEVKSNTCNNVAFKVTGKSTHDK-VTSGAL Bonding Non bonding Verso la predizione della struttura 3D I ponti disolfuro
  • 12. Concludendo La struttura secondaria di una proteina pu嘆 essere predetta con accuratezza significativa (75%) usando le tecniche dellIntelligenza Artificiale e, in particolare, le reti neurali artificiali La struttura terziaria 竪 molto pi湛 difficile da predire, ma si pu嘆 ricostruire a partire dalla predizione dei contatti fra amminoacidi lontani nella sequenza proteica Conoscere la truttura 3D delle proteine significa cono- scerne la funzione, cio竪 determinare quali informazioni sono biologicamente significative per la crescita, la riproduzione, levoluzione delle specie viventi