Title (eng)
The prediction of functional bacterial secretion systems based on comparative genomics
Parallel title (deu)
Die Vorhersage funktioneller, bakterieller Sekretionssysteme, basierend auf einem Ansatz der vergleichenden Genomik
Author
Valerie Eichinger
Advisor
Thomas Rattei
Assessor
Thomas Rattei
Abstract (deu)
Bakterielle Sekretionssysteme sind wichtige Virulenzfaktoren und als solche von großem Interesse bei
der Analyse von neuen Genom- oder Metagenomdaten. Da die Menge an produzierten Genomdaten
stetig zunimmt, ist es von großer Wichtigkeit, eine zielgerichtete und intelligente
„Hochdurchsatzmethode“ zu finden um mit der Flut an Daten umzugehen und daraus die nötige
Information zu generieren. Nachdem es momentan keine Bestrebungen oder Richtlinien zur
sekretionsbezogenen Genomannotation gibt, ist es umso wichtiger, dass Datenbanken, wie die
Vorgestellte, ausgefeilte Werkzeuge und sorgfältig kuratierte Daten zur Verfügung stellen. Mit
unserem Vorhersageansatz, basierend auf dem Konzept des maschinellen Lernens, haben wir eine
computerbasierte Methode gefunden, die, mittels binärer Klassifikation, eine eindeutige Entscheidung
trifft, ob ein intaktes Sekretionssystem vorliegt, oder nicht.
Abstract (eng)
Bacterial secretion systems, as crucial virulence factors, can be of major interest, when analysing new
genomic or metagenomic data. As the amount of generated genomic data increases heavily, a
sophisticated way of analysing (meta-) genomic sequences is of high importance. Thus, we have to find
some way of a “high-throughput-analysis” for genomic data to gain information out of the cavalcade
of provided data. As there is currently a lack of secretion-related genome annotation, secondary
databases, as the one presented in this work, have to provide sophisticated tools and carefully curated
data. Thus, we designed an approach, based on machine learning techniques. It is a computational
method that uses binary classification to make a clear decision, whether there is a functional secretion
system or not.
Keywords (eng)
comparative genomicsbacterial secretion systemsfunctionalmachine learningsupport vector machine
Keywords (deu)
Vergleichende Genomikbakterielle SekretionssystemeSekretionmaschinelles Lernen
Subject (deu)
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Extent (deu)
109 Seiten : Illustrationen
Number of pages
109
Study plan
Masterstudium Computational Science
[UA]
[066]
[910]
Association (deu)
Title (eng)
The prediction of functional bacterial secretion systems based on comparative genomics
Parallel title (deu)
Die Vorhersage funktioneller, bakterieller Sekretionssysteme, basierend auf einem Ansatz der vergleichenden Genomik
Author
Valerie Eichinger
Abstract (deu)
Bakterielle Sekretionssysteme sind wichtige Virulenzfaktoren und als solche von großem Interesse bei
der Analyse von neuen Genom- oder Metagenomdaten. Da die Menge an produzierten Genomdaten
stetig zunimmt, ist es von großer Wichtigkeit, eine zielgerichtete und intelligente
„Hochdurchsatzmethode“ zu finden um mit der Flut an Daten umzugehen und daraus die nötige
Information zu generieren. Nachdem es momentan keine Bestrebungen oder Richtlinien zur
sekretionsbezogenen Genomannotation gibt, ist es umso wichtiger, dass Datenbanken, wie die
Vorgestellte, ausgefeilte Werkzeuge und sorgfältig kuratierte Daten zur Verfügung stellen. Mit
unserem Vorhersageansatz, basierend auf dem Konzept des maschinellen Lernens, haben wir eine
computerbasierte Methode gefunden, die, mittels binärer Klassifikation, eine eindeutige Entscheidung
trifft, ob ein intaktes Sekretionssystem vorliegt, oder nicht.
Abstract (eng)
Bacterial secretion systems, as crucial virulence factors, can be of major interest, when analysing new
genomic or metagenomic data. As the amount of generated genomic data increases heavily, a
sophisticated way of analysing (meta-) genomic sequences is of high importance. Thus, we have to find
some way of a “high-throughput-analysis” for genomic data to gain information out of the cavalcade
of provided data. As there is currently a lack of secretion-related genome annotation, secondary
databases, as the one presented in this work, have to provide sophisticated tools and carefully curated
data. Thus, we designed an approach, based on machine learning techniques. It is a computational
method that uses binary classification to make a clear decision, whether there is a functional secretion
system or not.
Keywords (eng)
comparative genomicsbacterial secretion systemsfunctionalmachine learningsupport vector machine
Keywords (deu)
Vergleichende Genomikbakterielle SekretionssystemeSekretionmaschinelles Lernen
Subject (deu)
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Number of pages
109
Association (deu)
License
- Citable links
- Other links
- Managed by
- Details
- Usage statistics-
- Metadata
- Export formats