MARC

 008260126s2025        us                              c    eng  d
■001000017360435
■00520260202105525
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263342258
■035    ▼a(MiAaPQ)AAI32309755
■035    ▼a(MiAaPQ)GeorgiaTech77775
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a572.4
■1001  ▼aWang,  Ling.
■24510▼aEvolution  of  Essential  and  Ancient  Genes:  Understanding  and  Modeling  Fitness  in  Transfer  RNAs
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a158  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Paaby,  Annalise.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aA  central  question  in  evolutionary  biology  is  how  genes  evolve  over  time  and  how  mutations  in  those  genes  affect  fitness.  How  a  mutation  affects  fitness  may  depend  in  part  upon  mutations  at  other  sites.  For  example,  the  negative  impact  of  a  bad  mutation  may  be  compensated  by  other  mutations  that  restore  or  enhance  function.  Understanding  this  dynamic  is  crucial  to  elucidating  not  just  the  evolution  of  genes,  but  the  evolution  of  complex  traits,  including  interactions  between  genes.This  thesis  is  structured  into  three  related  projects  that  examine  the  following  fundamental  questions:  1.  How  do  genes  evolve,  and  what  does  the  compensatory  evolution  pattern  of  single-copy  genes  look  like?  Specifically,  I  explored  mutations  in  mitochondrial  tRNAs  (mt-tRNAs)  in  Caenorhabditis  nematodes  to  identify  patterns  of  compensatory  evolution  over  short  and  intermediate  evolutionary  timescales,  including  interactions  between  mt-tRNAs  and  associated  factors  encoded  in  the  nuclear  genome.  2.  To  what  extent  can  computational  techniques  enhance  our  understanding  of  the  impact  of  mutations,  particularly  on  overall  fitness?  In  this  project,  I  utilized  experimentally  derived  fitness  estimates  for  thousands  of  S.  cerevisiae  allelic  variants  of  a  nuclear-encoded  arginine  tRNA  (tRNACCU).  I  assessed  how  well  computational  inferences  from  sequence  information,  such  as  secondary  structure  prediction  and  the  minimum  free  energy  folding  score,  explained  fitness  variation.  3.  Can  machine  learning  improve  upon  computational  fitness  prediction  and  address  the  limitations  of  existing  prediction  tools?  In  this  project,  I  developed  an  inclusive  machine  learning  model  that  integrates  multiple  features  to  estimate  fitness  from  sequence  data.  Together,  these  studies  aim  to  provide  a  more  comprehensive  understanding  of  the  dynamics  of  tRNA  evolution  by  combining  advanced  computational  techniques  with  concepts  of  evolutionary  biology.
■590    ▼aSchool  code:  0078.
■650  4▼aProtein  synthesis
■650  4▼aCRISPR
■650  4▼aBiosynthesis
■650  4▼aMutation
■650  4▼aGenetic  engineering
■650  4▼aAmino  acids
■650  4▼aFeature  selection
■650  4▼aGenomes
■650  4▼aEnergy
■650  4▼aGenes
■650  4▼aNematodes
■650  4▼aMutagenesis
■650  4▼aPolypeptides
■650  4▼aTransfer  RNA
■650  4▼aAnimal  reproduction
■650  4▼aAnimal  sciences
■650  4▼aBioinformatics
■650  4▼aGenetics
■650  4▼aParasitology
■650  4▼aEngineering
■690    ▼a0791
■690    ▼a0475
■690    ▼a0800
■690    ▼a0715
■690    ▼a0369
■690    ▼a0718
■690    ▼a0537
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360435▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서