MARC

 008260126s2025        us                              c    eng  d
■001000017359165
■00520260202104844
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297601031
■035    ▼a(MiAaPQ)AAI32173330
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aSakharova,  Helen  Alexandra.
■24510▼aMachine  Learning  Approaches  to  Understanding  Codon  Choice
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a81  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Lareau,  Liana.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aIdentical  proteins  can  be  encoded  in  DNA  using  different  synonymous  codons,  which  are  translated  by  the  ribosome  at  different  rates.  The  mechanisms  by  and  extent  to  which  codon  choice  impacts  biological  processes  remains  a  fundamental  open  question.  Elucidating  the  rules  governing  codon  choice  is  vital  both  to  understanding  disorders  caused  by  synonymous  mutations,  and  to  improve  our  ability  to  design  synthetic  mRNAs.  The  structure  and  function  of  a  protein  may  set  requirements  on  the  process  of  translation  that  create  pressure  to  select  for  slower  or  faster  translated  codons.  Leveraging  existing  protein  language  models,  I  build  a  machine  learning  model  to  predict  codon  choice  from  amino  acid  sequence.  My  model  effectively  combines  information  about  position  and  protein  structure  to  learn  subtle  but  wide-reaching  constraints  on  codon  choice  in  yeast.  In  parallel,  I  conduct  a  genome-wide  screen  in  yeast  to  reliably  identify  synonymous  variants  that  significantly  decrease  or  increase  fitness,  using  Cas9  retron  editing  to  create  thousands  of  synonymous  codon  substitutions  in  endogenous  loci.  Lastly,  we  extend  our  exploration  of  codon  usage  to  create  Trias,  a  generative  codon-language  model  applicable  to  human  sequences.  We  demonstrate  that  Trias  can  be  used  to  generate  realistic  mRNA  sequences  with  high  protein  output.
■590    ▼aSchool  code:  0028.
■650  4▼aBioinformatics
■650  4▼aBioengineering
■650  4▼aComputer  engineering
■653    ▼aCodon  optimization
■653    ▼aMachine  learning
■653    ▼aSynonymous  codon
■653    ▼aSynthetic  biology
■653    ▼aTranslation
■690    ▼a0715
■690    ▼a0202
■690    ▼a0800
■690    ▼a0464
■71020▼aUniversity  of  California,  Berkeley▼bBioinformatics  &  Computational  Biology.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359165▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books