Mining the genome for ‘known unknowns’

Detalhes bibliográficos
Autor(a) principal: Silva, Nicolas James Queirós da
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.6/10169
Resumo: Bioinformatics is a multidisciplinary area that combines two major areas: Biology and Computer Science. It’s one of the fastest rising areas of investigation nowadays. It’s also a fundamental area for the processing of data and information from discoveries in the genetics area. One area that is prominent in the bioinformatics area is gene prediction, where various tools are available to aid researchers. Even though there are several gene prediction tools available, the most used are from several years back. They are reliable tools, but need optimization and some are not so flexible for modification. Tools created in the past years base their model on previous tools. In this dissertation work, a new model is proposed. Through ORF extraction from proteincoding sequences of a fasta-formatted file that the user inputs, these are compared to a target sequence of the user’s choice. A profile-HMM is used as the model to compare the sequences, returning a Logp value for each ORF compared with the target sequence. Match, insert and delete state probabilities were modified, to find the best scenario. The Viterbi algorithm was used to train the model, due to its speed. The results obtained were concordant with what we expected: That an ORF, which would be in the target sequence, presented a better Logp value than an ORF from a randomly selected sequence.
id RCAP_770414dc8c6b80c4492ec03b142b23c9
oai_identifier_str oai:ubibliorum.ubi.pt:10400.6/10169
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Mining the genome for ‘known unknowns’Algoritmo de ViterbiGenoma HumanoOpen Reading FramePomegranatePredição de GenesDomínio/Área Científica::Ciências Médicas::Ciências BiomédicasBioinformatics is a multidisciplinary area that combines two major areas: Biology and Computer Science. It’s one of the fastest rising areas of investigation nowadays. It’s also a fundamental area for the processing of data and information from discoveries in the genetics area. One area that is prominent in the bioinformatics area is gene prediction, where various tools are available to aid researchers. Even though there are several gene prediction tools available, the most used are from several years back. They are reliable tools, but need optimization and some are not so flexible for modification. Tools created in the past years base their model on previous tools. In this dissertation work, a new model is proposed. Through ORF extraction from proteincoding sequences of a fasta-formatted file that the user inputs, these are compared to a target sequence of the user’s choice. A profile-HMM is used as the model to compare the sequences, returning a Logp value for each ORF compared with the target sequence. Match, insert and delete state probabilities were modified, to find the best scenario. The Viterbi algorithm was used to train the model, due to its speed. The results obtained were concordant with what we expected: That an ORF, which would be in the target sequence, presented a better Logp value than an ORF from a randomly selected sequence.A bioinformática é uma área multidisciplinar que combina duas áreas fundamentais: biologia e ciências da computação. É uma das áreas de investigação que mais está a crescer nos dias de hoje. É também uma área fundamental para o processamento de dados e informação na área da genética. Um ramo prominente na área da bioinformática é a predição de genes. Várias ferramentas encontram-se disponíveis para auxiliar investigadores. Estas ferramentas também se encontram disponíveis ao público em geral. Embora existam várias ferramentas, as mais utilizadas já têm muitos anos. São ferramentas fiáveis porém algumas precisam de ser otimizadas e não são muito flexíveis no que toca à sua modificação. Neste trabalho de dissertação é proposto um novo modelo. Por meio da extração de ORFs a partir de sequências de DNA que codificam para proteínas, inserido pelo usuário em formato fasta, estes são comparados com uma sequência alvo escolhida pelo utilizador. Foi utilizado um Profile-HMM como modelo para comparar as sequências, em que um valor de probabilidade logarítmica (Logp) é devolvido consoante a semelhança entre as sequências comparadas: o ORF e a sequência alvo. Quanto mais semelhantes forem as sequências comparadas, melhor será o valor da probabilidade logarítmica. Foram criados vários cenários de modo a ver qual seria a melhor forma de implementar o Profile-HMM. Nestes, os estados de correspondência, inserção e deleção foram modificados, até chegar ao melhor cenário. O algoritmo de Viterbi foi utilizado para treinar o modelo, devido à sua velocidade. Os resultados obtidos pelo modelo foram concordantes com o que esperávamos: um ORF que está presente na sequência alvo terá um valor Logp melhor que um ORF que não está presente na sequência alvo.Pombo, Nuno Gonçalo Coelho CostauBibliorumSilva, Nicolas James Queirós da2020-03-20T17:23:39Z2019-07-162019-06-242019-07-16T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.6/10169TID:202364704enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-12-15T09:51:35Zoai:ubibliorum.ubi.pt:10400.6/10169Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T00:50:11.863926Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Mining the genome for ‘known unknowns’
title Mining the genome for ‘known unknowns’
spellingShingle Mining the genome for ‘known unknowns’
Silva, Nicolas James Queirós da
Algoritmo de Viterbi
Genoma Humano
Open Reading Frame
Pomegranate
Predição de Genes
Domínio/Área Científica::Ciências Médicas::Ciências Biomédicas
title_short Mining the genome for ‘known unknowns’
title_full Mining the genome for ‘known unknowns’
title_fullStr Mining the genome for ‘known unknowns’
title_full_unstemmed Mining the genome for ‘known unknowns’
title_sort Mining the genome for ‘known unknowns’
author Silva, Nicolas James Queirós da
author_facet Silva, Nicolas James Queirós da
author_role author
dc.contributor.none.fl_str_mv Pombo, Nuno Gonçalo Coelho Costa
uBibliorum
dc.contributor.author.fl_str_mv Silva, Nicolas James Queirós da
dc.subject.por.fl_str_mv Algoritmo de Viterbi
Genoma Humano
Open Reading Frame
Pomegranate
Predição de Genes
Domínio/Área Científica::Ciências Médicas::Ciências Biomédicas
topic Algoritmo de Viterbi
Genoma Humano
Open Reading Frame
Pomegranate
Predição de Genes
Domínio/Área Científica::Ciências Médicas::Ciências Biomédicas
description Bioinformatics is a multidisciplinary area that combines two major areas: Biology and Computer Science. It’s one of the fastest rising areas of investigation nowadays. It’s also a fundamental area for the processing of data and information from discoveries in the genetics area. One area that is prominent in the bioinformatics area is gene prediction, where various tools are available to aid researchers. Even though there are several gene prediction tools available, the most used are from several years back. They are reliable tools, but need optimization and some are not so flexible for modification. Tools created in the past years base their model on previous tools. In this dissertation work, a new model is proposed. Through ORF extraction from proteincoding sequences of a fasta-formatted file that the user inputs, these are compared to a target sequence of the user’s choice. A profile-HMM is used as the model to compare the sequences, returning a Logp value for each ORF compared with the target sequence. Match, insert and delete state probabilities were modified, to find the best scenario. The Viterbi algorithm was used to train the model, due to its speed. The results obtained were concordant with what we expected: That an ORF, which would be in the target sequence, presented a better Logp value than an ORF from a randomly selected sequence.
publishDate 2019
dc.date.none.fl_str_mv 2019-07-16
2019-06-24
2019-07-16T00:00:00Z
2020-03-20T17:23:39Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10400.6/10169
TID:202364704
url http://hdl.handle.net/10400.6/10169
identifier_str_mv TID:202364704
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799136392159166464