MARC

 008250123s2024        us                              c    eng  d
■001000017164029
■00520250211152823
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346567646
■035    ▼a(MiAaPQ)AAI31559752
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aPaul,  Steffanie  B.▼0(orcid)0000-0001-7306-4863
■24510▼aModelling  Sequence  and  Structure  Towards  Functional  Protein  Design
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a210  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Marsk,  Debora  S.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aMillenia  of  evolutionary  experiments  have  produced  an  extensive  universe  of  natural  macromolecular  machines  -  proteins  -  that  perform  the  variety  of  complex  functions  needed  to  make  up  a  cell.  In  the  last  few  decades,  advances  in  protein  engineering  technologies,  including  the  adoption  of  machine  learning  methods,  have  enabled  us  to  bend  and  reform  nature's  designs  towards  our  human  needs.  The  advent  of  generative  machine  learning  models  trained  on  evolutionary  data  has  enabled  us  to  leverage  nature's  experiments  along  with  years  of  domain  knowledge  to  significantly  move  the  needle  on  what  kinds  of  proteins  and  functions  we  can  possibly  design.  While  these  models  have  massive  promise,  there  is  still  much  to  understand  about  i)  what  these  models  are  learning,  ii)  how  well  they  are  learning,  and  iii)  which  models  are  useful  for  which  design  task.  This  thesis  provides  tools  and  insights  to  the  field  to  shed  light  on  these  questions  and  thus  advance  our  ability  to  engineer  proteins  for  the  functions  we  want.We  begin  with  the  need  to  identify  what  models  perform  better  than  others  and  what  biological  design  tasks  they  may  be  useful  for.  Towards  this,  chapter  1  details  our  curation  of  the  largest  benchmarking  dataset  for  generative  protein  models  for  fitness  prediction,  which  we  used  to  identify  functional  advantages  for  particular  classes  of  generative  models.  This  evaluation  paradigm  relies  on  functional  measurements,  which  may  not  be  available  for  any  given  protein  an  engineer  is  interested  in.  Thus,  in  chapter  2  we  develop  novel,  statistically  motivated  kernel-based  evaluation  metrics  that  can  be  used  to  verify  how  accurately  and  reliably  a  conditional  generative  model  has  learned  the  distribution  of  the  protein  of  interest;  this  provides  a  practitioner  with  helpful  information  about  how  well  their  model  might  perform  for  their  task  a  priori.  For  highly  complex  functions  in  highly  local  sequence  space,  we  argue  that  focused  experimental  data  are  needed  to  get  engineering  gains.  In  chapter  3  we  discuss  how  machine  learning  models  can  improve  the  efficiency  of  experimental  pipelines  and  increase  our  design  capabilities,  with  a  case-study  on  machine  learning-assisted  antibody  optimization.
■590    ▼aSchool  code:  0084.
■650  4▼aBioinformatics
■650  4▼aApplied  mathematics
■650  4▼aBioengineering
■650  4▼aEvolution  &  development
■653    ▼aGenerative  AI
■653    ▼aMachine  learning
■653    ▼aProtein  engineering
■653    ▼aMillenia
■653    ▼aProtein  design
■690    ▼a0715
■690    ▼a0364
■690    ▼a0202
■690    ▼a0412
■71020▼aHarvard  University▼bMedical  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164029▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서