Detailansicht
Identification and classification of pseudoknots and their impact on RNA 3D structure prediction
Irene Katharina Beckmann
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Chemie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Molekulare Biologie
Betreuer*in
Ivo Hofacker
DOI
10.25365/thesis.52151
URN
urn:nbn:at:at-ubw:1-12490.46130.700672-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die hier präsentierte Arbeit befasst sich mit der Vorhersage der Struktur von noncoding RNA. Im Zuge dessen wird ein kurzer Überblick über die unterschiedlichen Arten von noncoding RNA präsentiert, bevor auf die Strukturvorhersage mit einen Vergleich der verschiedenen Ansätze und ihren Stärken und Schwächen eingegangen wird. Generell umfasst die Klasse der noncoding RNA eine sehr große Bandbreite von Funktionen, die bei der Regulation von Prozessen, aber auch als Unterstützung in funktionalen Prozessen in einer Zelle zum Tragen kommen. Auch der strukturelle Aufbau von noncoding RNA ist sehr vielfältig.
Hierbei ist entscheidend, dass bei einem wiederkehrenden strukturellen Teilelement innerhalb einer noncoding RNA auf eine ähnliche Funktion geschlossen werden kann. Daher spielt die Vorhersage der Struktur, sowohl als 2D Modell, als auch als 3D Modell, eine immer wichtigere Rolle, um Informationen über ein Biomolekül und seine Funktion und Regulierung zu erlangen. Ein 3D Model bietet einen größeren Informationsgehalt als ein 2D Model und dieses wiederum mehr Information als die reine noncoding RNA Sequenz. Für die Vorhersage von RNA Structuren, sowie deren Analyse stehen eine Reihe von Computerprogrammen zu Verfügung. Eines hiervon ist ERNWIN.
Für die Vorhersage muss ein Tool imstande sein mit unterschiedlichen strukturellen Elementen innerhalb einer Struktur umgehen zu können. Eines dieser Elemente ist der Pseudoknoten. Der Pseudoknoten wird aufgrund seiner Komplexität von vielen Programmen mit denselben Parametern wie ein Multiloop berechnet. Das Ziel dieser Arbeit ist es, eine Möglichkeit zu finden Pseudoknoten zu identifizieren und eingefügte Strukturen innerhalb eines Pseudoknoten zu entfernen, um eine Klassifizierung nach Genus 1 und Genus 2 zu ermöglichen.
Es wird ein repräsentatives, nicht redundantes Set von RNA Strukturen als Datenset verwendet. Dieses Datenset besteht aus einer redundanzfreie Liste von PDB Dateien, die einer spezifischen Selektion unterzogen wurden, um von jeder isolierten Struktur einen repräsentativen Datensatz anzuführen zu können.
Das hier entwickelte Computerprogramm ermöglicht die Identifizierung eines Pseudoknoten innerhalb einer Struktur. Des Weiteren kann es die identifizierten Pseudoknoten klassifizieren.
Die Identifizierung und die nachfolgende Klassifizierung ermöglichen eine weitergehende und genauere Analyse des Aufbaues von Pseudoknoten und deren Unterordnungen. Die Analyses dieses Datensets ermöglicht des weiteren die Bestätigung der Hypothese, dass Pseudoknoten sich vom elementaren Aufbau von normalen Multiloops unterscheiden und auch die verschieden Klassen von Pseudoknoten Unterschiede aufweisen. Die gewonnen Daten und Erkenntnissen können in weiterer Folge dazu beitragen die Vorhersage von 3D Modellen von RNA Strukturen zu verbessern.
Abstract
(Englisch)
The present work deals with noncoding RNA and gives an overview about the structure, structure prediction and their limitations. The functionality of noncoding RNA has a high variety from regulatory to functional processes in a cell. Therefore, the prediction of structures in 2D and 3D plays an increasing role to provide information on the function and regulation of noncoding RNA, which is not possible having just the sequence. One tool to predict RNA 3D structures is ERNWIN, which uses a coarse-grained sampling method.
A special structural element within the noncoding RNA is the pseudoknot. Pseudoknots help to form stable structures or support reaction pathways. As the prediction of pseudoknot is a computational hard issue, many available tools disallow nested basepairs and handle them as normal multiloops.
The aim of this thesis was to identify pseudoknots in the 3D structure of noncoding RNA, to classify these pseudoknots according to their topological genus, to analyse the frequency of different classes of pseudoknots and to describe their structural features.
Therefore, the non-redundant 3D structure dataset for RNA is used as knowledge base. This dataset provides a non-redundant list of PDB files at a selected resolution threshold, using the best structure to represent each equivalence class of structures.
A newly developed tool enables the detection of pseudoknots within a RNA structure. Further on the tool is capable to classify an isolated pseudoknot which enables further analysis of the composition of pseudoknots.
Based on the results of this analyses it could be shown that definitely makes sense to handle pseudoknots differently from other multiloop structures. Results concerning structural features of pseudoknots also indicates that it makes sense to assign them into different classes.
In summary, the knowledge about the exact position of a pseudoknot within a structure can be used for the improvement of pseudoknot detections within ERNWIN.
Furthermore, these results can support the improvement of RNA 3D modelling and the prediction of the whole RNA structures.
Schlagwörter
Schlagwörter
(Englisch)
RNA ribonucleic acid pseudoknots 3D tertiary structure Ernwin Forgi structure prediction
Schlagwörter
(Deutsch)
RNS RNA Ribonukleinsäure Pseudoknoten 3D tertiär Struktur Ernwin Forgi Struktur Vorhersage
Autor*innen
Irene Katharina Beckmann
Haupttitel (Englisch)
Identification and classification of pseudoknots and their impact on RNA 3D structure prediction
Paralleltitel (Deutsch)
Identifikation und Klassifikation von Pseudoknoten und ihre Auswirkung auf die RNA 3D Struktur Vorhersage
Publikationsjahr
2018
Umfangsangabe
viii, 71 Seiten : illustrationen, Diagramme
Sprache
Englisch
Beurteiler*in
Ivo Hofacker
AC Nummer
AC15373463
Utheses ID
46054
Studienkennzahl
UA | 066 | 834 | |