Predikce substrátové specificity haloalkan dehalogenáz s využitím strojového učení

Bc. Michal Bubeník

Master's thesis

Machine-learning based prediction of substrate specificity profiles for haloalkane dehalogenases

Abstract:

Tato práce se zabývá výpočetní predikcí substrátové specificity enzymů z rodiny haloalkan dehalogenáz, které mají řadu biotechnologických aplikací. Motivací je identifikace nových enzymů z této rodiny screeningem několika tisíc kandidátních sekvencí z databáze a aplikací připravených prediktorů na tyto sekvence, což je postup, který není možné provést experimentálně. Práce vychází ze změřených dat enzymové aktivity pro 32 enzymů a 27 substrátů a zahrnuje generování a selekci molekulových a sekvenčních deskriptorů, trénování modelů na základě těchto deskriptorů pomocí různých algoritmů strojového učení, analýzu prediktivní síly těchto algoritmů a jejich validaci na nezávislém datovém souboru. Hlavním výstupem práce je tabulka predikovaných aktivit pro všechny kandidátní databázové sekvence a 27 substrátů využívaných při přípravě modelů.

Abstract:

This thesis deals with the computational prediction of substrate specificity of enzymes from the haloalkane dehalogenase family, which are of numerous biotechnological applications. The motivation is to identify new enzymes from this family by screening several thousand candidate sequences from a database and applying the prepared predictors to these sequences, as such a procedure could not be performed experimentally. The work builds on measured enzyme activity data for 32 enzymes and 27 substrates and involves generating and selecting molecular and sequence descriptors, training models based on these descriptors using various machine learning algorithms, analyzing the predictive power of these algorithms, and validating them on an independent dataset. The main output of the work is a table of predicted activities for all candidate database sequences and 27 substrates used in the model training.

Keywords

Haloalkan dehalogenázy, Enzymy, Substrátová specificita, Aktivita, Strojové učení, Predikce, Náhodné lesy, Haloalkane dehalogenases, Enzymes, Substrate specificity, Activity, Machine learning, Prediction, Random forests

Language used: English

Date on which the thesis was submitted / produced: 16. 5. 2022

Thesis defence

• Date of defence: 13. 6. 2022
• Supervisor: PhD Stanislav Mazurenko
• Reader: Ing. Miloš Musil, Ph.D.

Masaryk University

Faculty of Science

Master programme / field:
Computational biology and biomedicine / Biomedical bioinformatics