Υπολογιστική βελτιστοποίηση της θεραπείας Exon Skipping για τη Μυϊκή Δυστροφία Duchenne με μεθόδους μηχανικής μάθησης

Abstract

Ο σκοπός αυτής της διπλωματικής εργασίας είναι να διερευνηθεί η βέλτιστη εφαρμογή της θεραπευτικής μεθόδου exon skipping για τη μυασθένεια Duchenne (DMD). Με χρήση μεθόδων μηχανικής μάθησης, διερευνάται ποιά είναι τα κατάλληλα σημεία πρόσδεσης των ολιγονουκλεοτιδίων στο εξώνιο, που πρέπει να αποκοπεί κατά το μάτισμα, έτσι ώστε να αποκατασταθεί το πλαίσιο ανάγνωσης του mRNA και να παραχθεί λειτουργική παραλλαγή της δυστροφίνης. Μελετήσαμε δύο σύνολα δεδομένων που αντιστοιχούν σε Phosphorodiamidate Morpholino Oligomer (PMO) και 2’ O Methyl Phosphorothioate (2OMePS) ολιγονουκλεοτίδια. Εφαρμόσαμε διαφορετικές προσεγγίσεις επιλογής χαρακτηριστικών για την εκπαίδευση μοντέλων μηχανικής μάθησης, που με τη σειρά τους αντιστοιχούσαν σε πολλαπλούς αλγορίθμους παλινδρόμησης και ταξινόμησης. Κάναμε περαιτέρω πειράματα στο 2OMePS σύνολο δεδομένων λόγω έλλειψης συνοχής στα χαρακτηριστικά του. Τα αποτελέσματα των πειραμάτων μας παρουσιάζουν συνέπεια σε σχέση με την υπάρχουσα βιβλιογραφία. Το πιο σημαντικό χαρακτηριστικό που συμβάλλει στο exon skipping, επιβεβαιώθηκε να είναι η ενέργεια πρόσδεσης του ολιγονουκλεοτιδίου στην εξωνική αλληλουχία. Η διπλωματική αυτή προτείνει το παραπάνω χαρακτηριστικό να συνδυάζεται με το ποσοστό των GC βάσεων στην αλληλουχία στόχο, για μέγστη αποτελεσματικότητα. Καθώς τα παραπάνω φαίνεται να είναι κοινά και στις δύο ομάδες ολιγονουκλεοτιδίων, παρατηρήθηκαν κάποια ακόμη σημαντικά χαρακτηριστικά για το 2OMePS σύνολο δεδομένων, τα οποία ενθαρρύνεται να μελετήθούν περισσότερο στο μέλλον.