MARC

 008260126s2025        us                              c    eng  d
■001000017357848
■00520260202103608
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288862595
■035    ▼a(MiAaPQ)AAI32043006
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a575
■1001  ▼aReddy,  Aniketh  Janardhan.
■24510▼aPredicting  and  Regulating  Gene  Expression  Using  Sequence-Based  Deep  Learning  Models
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a123  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Ioannidis,  Nilah  M.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aGene  expression  is  a  complex,  tightly  regulated  process  controlled  by  cis-acting  DNA  elements  including  promoters  and  enhancers,  and  trans-acting  elements  such  as  transcription  and  splicing  factors.  Understanding  how  these  elements  coordinate  to  regulate  expression  is  a  key  goal  in  regulatory  genomics.  Recently,  sequence-based  deep  learning  models  have  emerged  as  powerful  tools  for  learning  the  sequence  determinants  of  gene  expression.  In  this  work,  we  both  leverage  these  models  for  cis-regulatory  element  design  and  propose  methods  to  improve  their  predictive  capabilities.  First,  we  explore  transfer  learning  strategies  to  improve  promoter-driven  expression  prediction,  especially  in  data-constrained  settings.  After  showing  that  these  strategies  can  substantially  improve  prediction  performance,  we  couple  our  sequence-based  models  with  sequence  optimizers  in  a  novel  model-based  optimization  workflow  to  design  cell-type-specific  promoters  that  are  crucial  for  gene  therapies.  Crucially,  this  workflow  accounts  for  practical  constraints  such  as  adversarial  designs,  sequence  diversity,  and  prediction  uncertainty,  and  improves  the  cell-type-specificity  of  most  sequences  in  a  challenging  setting.  Next,  we  explore  methods  to  improve  individual-level  gene  expression  prediction,  a  task  on  which  current  sequence-based  deep  learning  models  fail.  Fine-tuning  on  paired  personal  genome  and  transcriptome  data  improves  predictions  on  held-out  individuals  for  genes  seen  during  training-matching  baselines-but  these  models  still  fail  to  generalize  to  unseen  genes.  Finally,  we  address  limitations  of  current  splicing  predictors,  which  do  not  generalize  to  unseen  tissues  or  model  the  expression  levels  of  trans-acting  splicing  factors.  We  propose  a  new  sequence-based  model  that  incorporates  splicing  factor  expression  to  make  tissue-specific  splicing  predictions,  even  in  tissues  not  seen  during  training.  This  model  captures  some  tissue-specific  splicing  patterns  and  achieves  performance  comparable  to  existing  models  trained  directly  on  those  tissues,  highlighting  the  utility  of  incorporating  regulatory  context  for  generalization.
■590    ▼aSchool  code:  0028.
■650  4▼aGenetics
■650  4▼aBiology
■650  4▼aComputer  science
■653    ▼aComputational  genomics
■653    ▼aGene  expression  prediction
■653    ▼aSequence  design
■653    ▼aSequence-based  models
■653    ▼aSplicing  prediction
■653    ▼aTransfer  learning
■690    ▼a0800
■690    ▼a0369
■690    ▼a0306
■690    ▼a0984
■71020▼aUniversity  of  California,  Berkeley▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357848▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서