Machine Learning applications for genomic and proteomic sequences

Mgr. Eva Maršálková, Ph.D.

Disertační práce

Anotace:

Strojové učení se stalo důležitým nástrojem pro získávání poznatků z rozsáhlých biologických dat. Jeho úspěšná aplikace v biologii však nezávisí pouze na návrhu modelu, ale také na kvalitě datových sad a schopnosti interpretovat predikce modelu. Tato práce se zabývá využitím strojového učení pro analýzu genomických a proteomických sekvencí u dvou biologických problémů: studiu zauzlovaných proteinů a predikce vazebných míst mikroRNA (miRNA). První část práce se zaměřuje na proteiny obsahující uzly, které jsou vzácné, avšak biologicky strukturně zajímavé. S využitím rozsáhlé kolekce predikovaných struktur z databáze AlphaFold jsme vytvořili datovou sadu zauzlovaných a nezauzlovaných proteinů a natrénovali model schopný predikovat přítomnost uzlu přímo z aminokyselinové sekvence. Model jsme poté interpretovali, abychom identifikovali části sekvence potenciálně související se vznikem uzlu. Pro rozšíření omezené rozmanitosti přirozených zauzlovaných proteinů jsme rovněž využili generativní přístupy pro návrh proteinů a vytvořili datovou sadu uměle generovaných proteinů s netriviální topologií. Druhá část práce se zabývá predikcí vazebných míst miRNA, která jsou důležitá například při posttranskripční regulaci genové exprese. Vyvinuli jsme HybriDetector, nástroj pro extrakci miRNA–target interakcí ze sekvenačních experimentů, a vytvořili několik datových sad pro strojové učení. V průběhu této práce jsme identifikovali dříve opomíjenou předpojatost v běžně užívaných strategiích generování negativ a navrhli vylepšený postup pro konstrukci datových sad. Výsledné datové sady (miRBench) umožňují spravedlivé hodnocení nástrojů pro predikci vazebných míst miRNA a podporují vývoj robustnějších modelů. Práce ukazuje, že pečlivá konstrukce datových sad, vhodně zvolené architektury modelu a následné vyhodnocení jsou klíčové pro spolehlivé využití strojového učení v biologii. Zpřístupněním vytvořených datových sad, modelů a nástrojů tato práce přispívá k metodologickému rozvoji a poskytuje nové biologické poznatky, které mohou podpořit pokrok v oblasti výpočetní biologie.

Abstract:

Machine Learning (ML) has become an important tool for extracting knowledge from large-scale biological data. However, the successful application of ML in biology depends not only on model design but also on the quality of datasets and the ability to interpret model predictions. This thesis investigates the use of ML for analyzing genomic and proteomic sequences through two distinct biological problems: the study of knotted proteins and the prediction of microRNA (miRNA) binding sites. The first part of the thesis focuses on proteins containing knots, a rare but biologically intriguing structural phenomenon. Leveraging the large collection of predicted structures available in the AlphaFold database, we constructed a curated dataset of knotted and unknotted proteins and trained a model capable of predicting protein knot status directly from amino acid sequences. We further applied interpretability techniques to identify potential sequence regions associated with the knot formation. To expand the limited diversity of naturally occurring knotted proteins, we also explored generative protein design methods and created a dataset of artificially generated proteins with knotted topologies. The second part of the thesis addresses the prediction of miRNA binding sites, an important problem in post-transcriptional gene regulation. We developed the HybriDetector pipeline to extract high-confidence miRNA–target interactions from chimeric sequencing experiments and constructed several ML datasets. During this work, we identified a previously overlooked bias in commonly used negative sampling strategies and proposed an improved dataset construction method that balances miRNA representation. The resulting miRBench benchmark datasets enable fair evaluation of miRNA binding prediction tools and support the development of more robust models. Together, the presented work demonstrates how careful dataset construction, suitable model architectures, and rigorous evaluation are essential for reliable ML applications in biology. By releasing the developed datasets, models, and tools, this work provides new methodological resources and biological insights that may facilitate further progress in computational biology.

Keywords

Machine Learning, knotted proteins, miRNA binding

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 20. 4. 2026

Obhajoba závěrečné práce

• Obhajoba proběhla 12. 6. 2026
• Vedoucí: Mgr. Petr Šimeček, MSc.
• Oponent: Prof. Jean-Paul Ebejer, doc. Mgr. Ing Karel Sedlář, Ph.D.

Masarykova univerzita

Přírodovědecká fakulta

Doktorský studijní program / obor:
Vědy o živé přírodě / Vědy o živé přírodě