Testování efektu AI Foundational models na analýzu NGS dat DNA sekvenování

Bc. Tomáš Vamberský

Diplomová práce

Testing AI Foundational Models for Impact on NGS DNA Sequencing Data Analysis

Anotace:

Foundational modely jsou rozsáhlé modely strojového učení předtrénované na velkých objemech neoznačených dat, jejichž reprezentace jsou přenositelné do širokého spektra navazujících aplikací. Genomické foundational modely aplikují tento přístup na biologické sekvence a učí se reprezentace DNA z rozsáhlých genomických datasetů bez úlohou specifického dohledu. Biologický obsah těchto reprezentací - jaká sekvenční informace je v nich zachycena a jak je organizována - dosud nebyl plně popsán. V této práci je model Evo 2 - nedávno publikovaný genomický foundational model pracující s rozlišením na jednotlivé nukleotidy s kontextovým oknem až jednoho milionu párů bází - použit k extrakci reprezentací 10 kb genomických oken vycentrovaných na středech ChIP-seq peaků pro tři transkripční faktory (MYC, CTCF a SPI1) ve dvou lidských buněčných liniích, a to s využitím veřejně dostupných experimentů z databáze ENCODE zarovnaných na referenční genom hg38. Struktura výsledných reprezentací je charakterizována pomocí redukce dimenzionality a systematické korelace s vlastnostmi sekvencí. Přes absenci úlohou specifického tréninku Evo 2 reprezentace odrážejí lokální sekvenční složení - včetně obsahu GC a vzorů dinukleotidové asymetrie - v okolí vazebných míst transkripčních faktorů.

Abstract:

Foundation models are large-scale machine learning models pre-trained on vast amounts of unlabelled data, whose representations prove transferable across a wide range of downstream applications. Genomic foundation models apply this paradigm to biological sequence, learning representations of DNA from large-scale genomic datasets without task-specific supervision. The biological content of these representations — what sequence-level information they encode and how it is organised — remains incompletely characterised. In this thesis, Evo 2 — a recently published genomic foundation model operating at single-nucleotide resolution with context lengths up to one million base pairs — is used to extract representations of 10 kb genomic windows centred on ChIP-seq peak midpoints for three transcription factors (MYC, CTCF, and SPI1) in two human cell lines, using publicly available ENCODE experiments aligned to hg38. The structure of the resulting representations is characterised through dimensionality reduction and systematic correlation with sequence-level properties. Features of local sequence composition, including GC content and directional dinucleotide asymmetry patterns recently reported in association with transcription factor binding sites, are reflected in Evo 2 representations without task-specific supervision. Genomic foundation models thus appear to encode local sequence composition as part of their general-purpose representations.

Keywords

DNA jazykový model, genomické embeddingy, vazba transkripčních faktorů, ChIP-seq, sekvenční reprezentace, poziční struktura

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 21. 5. 2026

Obhajoba závěrečné práce

• Obhajoba proběhla 16. 6. 2026
• Vedoucí: Mgr. Vojtěch Bystrý, Ph.D.
• Oponent: RNDr. Jan Fousek, Ph.D.

Masarykova univerzita

Přírodovědecká fakulta

Magisterský studijní program / obor:
Biochemie / Bioinformatika