Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes.
- Autores
- Alvarez, Bruno
- Año de publicación
- 2021
- Idioma
- inglés
- Tipo de recurso
- tesis doctoral
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Nielsen, Morten
- Descripción
- Tesis de Doctorado en Biología Molecular y Biotecnología
Las proteínas son moléculas de primordial importancia en, virtualmente, todos los procesos celulares que sustentan la vida. Su relevancia se debe, principalmente, a su capacidad de ejercer una vasta lista de funcionalidades por medio de la unión y/o interacción selectiva con otras moléculas. Estas interacciones ocurren en interfaces proteína-molécula específicas, de naturaleza tridimensional, y se caracterizan por poseer una dinámica de tipo llave-cerradura. Más allá de que es correcto asumir que dichas interacciones son en esencia complejas, en muchos casos contienen pequeños componentes lineales, y por lo tanto pueden ser aproximadas por medio de una interacción de tipo péptido-proteína. Un caso particular de interacción péptido-proteína es la unión de péptidos al Complejo Mayor de Histocompatibilidad (MHC en inglés). El MHC posee un rol clave en el sistema inmune adaptativo de los vertebrados, principalmente gracias a su capacidad de unión y presentación de péptidos antigénicos al espacio extracelular. Luego de dicha presentación, Linfocitos T pueden interactuar con estos MHCs y, si se satisfacen ciertas condiciones, desencadenar una respuesta inmune. De lo antedicho, se torna evidente que existe una fuerte relación entre la inmunidad de los vertebrados y el conjunto de todos los posibles ligandos de MHC. En los últimos años, a dicho conjunto se lo ha denominado Inmunopeptidoma, y el consecuente desarrollo de herramientas científicas para su muestreo e interpretación ha dado a luz al campo de la Inmunopeptidómica. El trabajo aquí presentado comprende el desarrollo de diversas herramientas computacionales de Inmunopeptidómica, en la forma de algoritmos y procesos de Aprendizaje Automático, capaces de ser implementados en la identificación y explotación de la información contenida en un Inmunopeptidoma de interés.
Proteins are molecules of paramount importance in virtually all cellular processes sustaining life. Their relevance rests, to a high degree, in their capacity of exerting a vast range of functionalities by means of selectively binding to (and/or interacting with) other molecules. These interactions occur in specific three dimensional protein-molecule interfaces, and are characterised by a key-lock type of mechanism. While it is safe to assume that such interactions are complex in nature, in many cases they contain a short linear component, and may be approximated by means of a protein-peptide interaction. A particular case of protein-peptide interactions is the binding of peptides to the Major Histocompatibility Complex (MHC) protein. The MHC is a key player in the adaptive cellular immune system of vertebrates, mostly thanks to its capability of binding and presenting antigenic peptides to the extracellular space. After such presentation, T lymphocytes may interact with the loaded MHCs and, if certain conditions are met, an immune response might be fired. From what is stated above, it becomes clear that a strong bond exists between the immunity of vertebrates and the set of all possible MHC binding peptides. In recent years, such a set has been termed the Immunopeptidome, and the consequential development of scientific tools that enable its sampling and interpretation has given birth to the field of Immunopeptidomics. The work presented in this manuscript comprehends the development of several in-silico scientific tools for Immunopeptidomics, shaped in the form of Machine Learning algorithms and pipelines that can be readily deployed to identify and exploit the information contained within a target Immunopeptidome.
Fil: Alvarez, Bruno. Universidad Nacional de San Martín. Escuela de Bio y Nanotecnologías. Instituto de Investigaciones Biotecnológicas; Buenos Aires, Argentina. - Materia
-
Machine Learning approaches
Project Selection
Sequential Behavior
Identification of Sequence Motifs
Exploitation of Sequence Motifs
Major Histocompatibility Complex
Key Player
Adaptive Cellular Immune System
Immunity of Vertebrates
Antigenic Peptides
Extracellular Space
Immunopeptidomes - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional de General San Martín
- OAI Identificador
- oai:ri.unsam.edu.ar:123456789/2290
Ver los metadatos del registro completo
id |
RIUNSAM_ab4ae6aea0b3ae530f0b5291082a9a00 |
---|---|
oai_identifier_str |
oai:ri.unsam.edu.ar:123456789/2290 |
network_acronym_str |
RIUNSAM |
repository_id_str |
s |
network_name_str |
Repositorio Institucional (UNSAM) |
spelling |
Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes.Herramientas de Aprendizaje Automático para la identificación y explotación de Motivos de Secuencia en Inmunopeptidomas.Alvarez, BrunoMachine Learning approachesProject SelectionSequential BehaviorIdentification of Sequence MotifsExploitation of Sequence MotifsMajor Histocompatibility ComplexKey PlayerAdaptive Cellular Immune SystemImmunity of VertebratesAntigenic PeptidesExtracellular SpaceImmunopeptidomesTesis de Doctorado en Biología Molecular y BiotecnologíaLas proteínas son moléculas de primordial importancia en, virtualmente, todos los procesos celulares que sustentan la vida. Su relevancia se debe, principalmente, a su capacidad de ejercer una vasta lista de funcionalidades por medio de la unión y/o interacción selectiva con otras moléculas. Estas interacciones ocurren en interfaces proteína-molécula específicas, de naturaleza tridimensional, y se caracterizan por poseer una dinámica de tipo llave-cerradura. Más allá de que es correcto asumir que dichas interacciones son en esencia complejas, en muchos casos contienen pequeños componentes lineales, y por lo tanto pueden ser aproximadas por medio de una interacción de tipo péptido-proteína. Un caso particular de interacción péptido-proteína es la unión de péptidos al Complejo Mayor de Histocompatibilidad (MHC en inglés). El MHC posee un rol clave en el sistema inmune adaptativo de los vertebrados, principalmente gracias a su capacidad de unión y presentación de péptidos antigénicos al espacio extracelular. Luego de dicha presentación, Linfocitos T pueden interactuar con estos MHCs y, si se satisfacen ciertas condiciones, desencadenar una respuesta inmune. De lo antedicho, se torna evidente que existe una fuerte relación entre la inmunidad de los vertebrados y el conjunto de todos los posibles ligandos de MHC. En los últimos años, a dicho conjunto se lo ha denominado Inmunopeptidoma, y el consecuente desarrollo de herramientas científicas para su muestreo e interpretación ha dado a luz al campo de la Inmunopeptidómica. El trabajo aquí presentado comprende el desarrollo de diversas herramientas computacionales de Inmunopeptidómica, en la forma de algoritmos y procesos de Aprendizaje Automático, capaces de ser implementados en la identificación y explotación de la información contenida en un Inmunopeptidoma de interés.Proteins are molecules of paramount importance in virtually all cellular processes sustaining life. Their relevance rests, to a high degree, in their capacity of exerting a vast range of functionalities by means of selectively binding to (and/or interacting with) other molecules. These interactions occur in specific three dimensional protein-molecule interfaces, and are characterised by a key-lock type of mechanism. While it is safe to assume that such interactions are complex in nature, in many cases they contain a short linear component, and may be approximated by means of a protein-peptide interaction. A particular case of protein-peptide interactions is the binding of peptides to the Major Histocompatibility Complex (MHC) protein. The MHC is a key player in the adaptive cellular immune system of vertebrates, mostly thanks to its capability of binding and presenting antigenic peptides to the extracellular space. After such presentation, T lymphocytes may interact with the loaded MHCs and, if certain conditions are met, an immune response might be fired. From what is stated above, it becomes clear that a strong bond exists between the immunity of vertebrates and the set of all possible MHC binding peptides. In recent years, such a set has been termed the Immunopeptidome, and the consequential development of scientific tools that enable its sampling and interpretation has given birth to the field of Immunopeptidomics. The work presented in this manuscript comprehends the development of several in-silico scientific tools for Immunopeptidomics, shaped in the form of Machine Learning algorithms and pipelines that can be readily deployed to identify and exploit the information contained within a target Immunopeptidome.Fil: Alvarez, Bruno. Universidad Nacional de San Martín. Escuela de Bio y Nanotecnologías. Instituto de Investigaciones Biotecnológicas; Buenos Aires, Argentina.Universidad Nacional de San Martín. Escuela de Bio y Nanotecnologías. Instituto de Investigaciones Biotecnológicas.Nielsen, Morten2021info:eu-repo/semantics/acceptedVersioninfo:eu-repo/semantics/doctoralThesishttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdf146 p.application/pdfAlvarez, B. (2021) Herramientas de Aprendizaje Automático para la identificación y explotación de Motivos de Secuencia en Inmunopeptidomas. Universidad Nacional de San Martín. Escuela de Bio y Nanotecnologías. Instituto de Investigaciones Biotecnológicas.TDOC EBYN 2021 ABhttp://ri.unsam.edu.ar/handle/123456789/2290engARG2021info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Atribución-NoComercial-CompartirIgual 2.5 Argentina (CC BY-NC-SA 2.5)reponame:Repositorio Institucional (UNSAM)instname:Universidad Nacional de General San Martín2025-09-29T14:30:59Zoai:ri.unsam.edu.ar:123456789/2290instacron:UNSAMInstitucionalhttp://ri.unsam.edu.arUniversidad públicaNo correspondehttp://ri.unsam.edu.ar/oai/lpastran@unsam.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:s2025-09-29 14:31:19.013Repositorio Institucional (UNSAM) - Universidad Nacional de General San Martínfalse |
dc.title.none.fl_str_mv |
Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes. Herramientas de Aprendizaje Automático para la identificación y explotación de Motivos de Secuencia en Inmunopeptidomas. |
title |
Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes. |
spellingShingle |
Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes. Alvarez, Bruno Machine Learning approaches Project Selection Sequential Behavior Identification of Sequence Motifs Exploitation of Sequence Motifs Major Histocompatibility Complex Key Player Adaptive Cellular Immune System Immunity of Vertebrates Antigenic Peptides Extracellular Space Immunopeptidomes |
title_short |
Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes. |
title_full |
Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes. |
title_fullStr |
Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes. |
title_full_unstemmed |
Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes. |
title_sort |
Machine Learning approaches for the identification and exploitation of Sequence Motifs in Immunopeptidomes. |
dc.creator.none.fl_str_mv |
Alvarez, Bruno |
author |
Alvarez, Bruno |
author_facet |
Alvarez, Bruno |
author_role |
author |
dc.contributor.none.fl_str_mv |
Nielsen, Morten |
dc.subject.none.fl_str_mv |
Machine Learning approaches Project Selection Sequential Behavior Identification of Sequence Motifs Exploitation of Sequence Motifs Major Histocompatibility Complex Key Player Adaptive Cellular Immune System Immunity of Vertebrates Antigenic Peptides Extracellular Space Immunopeptidomes |
topic |
Machine Learning approaches Project Selection Sequential Behavior Identification of Sequence Motifs Exploitation of Sequence Motifs Major Histocompatibility Complex Key Player Adaptive Cellular Immune System Immunity of Vertebrates Antigenic Peptides Extracellular Space Immunopeptidomes |
dc.description.none.fl_txt_mv |
Tesis de Doctorado en Biología Molecular y Biotecnología Las proteínas son moléculas de primordial importancia en, virtualmente, todos los procesos celulares que sustentan la vida. Su relevancia se debe, principalmente, a su capacidad de ejercer una vasta lista de funcionalidades por medio de la unión y/o interacción selectiva con otras moléculas. Estas interacciones ocurren en interfaces proteína-molécula específicas, de naturaleza tridimensional, y se caracterizan por poseer una dinámica de tipo llave-cerradura. Más allá de que es correcto asumir que dichas interacciones son en esencia complejas, en muchos casos contienen pequeños componentes lineales, y por lo tanto pueden ser aproximadas por medio de una interacción de tipo péptido-proteína. Un caso particular de interacción péptido-proteína es la unión de péptidos al Complejo Mayor de Histocompatibilidad (MHC en inglés). El MHC posee un rol clave en el sistema inmune adaptativo de los vertebrados, principalmente gracias a su capacidad de unión y presentación de péptidos antigénicos al espacio extracelular. Luego de dicha presentación, Linfocitos T pueden interactuar con estos MHCs y, si se satisfacen ciertas condiciones, desencadenar una respuesta inmune. De lo antedicho, se torna evidente que existe una fuerte relación entre la inmunidad de los vertebrados y el conjunto de todos los posibles ligandos de MHC. En los últimos años, a dicho conjunto se lo ha denominado Inmunopeptidoma, y el consecuente desarrollo de herramientas científicas para su muestreo e interpretación ha dado a luz al campo de la Inmunopeptidómica. El trabajo aquí presentado comprende el desarrollo de diversas herramientas computacionales de Inmunopeptidómica, en la forma de algoritmos y procesos de Aprendizaje Automático, capaces de ser implementados en la identificación y explotación de la información contenida en un Inmunopeptidoma de interés. Proteins are molecules of paramount importance in virtually all cellular processes sustaining life. Their relevance rests, to a high degree, in their capacity of exerting a vast range of functionalities by means of selectively binding to (and/or interacting with) other molecules. These interactions occur in specific three dimensional protein-molecule interfaces, and are characterised by a key-lock type of mechanism. While it is safe to assume that such interactions are complex in nature, in many cases they contain a short linear component, and may be approximated by means of a protein-peptide interaction. A particular case of protein-peptide interactions is the binding of peptides to the Major Histocompatibility Complex (MHC) protein. The MHC is a key player in the adaptive cellular immune system of vertebrates, mostly thanks to its capability of binding and presenting antigenic peptides to the extracellular space. After such presentation, T lymphocytes may interact with the loaded MHCs and, if certain conditions are met, an immune response might be fired. From what is stated above, it becomes clear that a strong bond exists between the immunity of vertebrates and the set of all possible MHC binding peptides. In recent years, such a set has been termed the Immunopeptidome, and the consequential development of scientific tools that enable its sampling and interpretation has given birth to the field of Immunopeptidomics. The work presented in this manuscript comprehends the development of several in-silico scientific tools for Immunopeptidomics, shaped in the form of Machine Learning algorithms and pipelines that can be readily deployed to identify and exploit the information contained within a target Immunopeptidome. Fil: Alvarez, Bruno. Universidad Nacional de San Martín. Escuela de Bio y Nanotecnologías. Instituto de Investigaciones Biotecnológicas; Buenos Aires, Argentina. |
description |
Tesis de Doctorado en Biología Molecular y Biotecnología |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion info:eu-repo/semantics/doctoralThesis http://purl.org/coar/resource_type/c_db06 info:ar-repo/semantics/tesisDoctoral |
status_str |
acceptedVersion |
format |
doctoralThesis |
dc.identifier.none.fl_str_mv |
Alvarez, B. (2021) Herramientas de Aprendizaje Automático para la identificación y explotación de Motivos de Secuencia en Inmunopeptidomas. Universidad Nacional de San Martín. Escuela de Bio y Nanotecnologías. Instituto de Investigaciones Biotecnológicas. TDOC EBYN 2021 AB http://ri.unsam.edu.ar/handle/123456789/2290 |
identifier_str_mv |
Alvarez, B. (2021) Herramientas de Aprendizaje Automático para la identificación y explotación de Motivos de Secuencia en Inmunopeptidomas. Universidad Nacional de San Martín. Escuela de Bio y Nanotecnologías. Instituto de Investigaciones Biotecnológicas. TDOC EBYN 2021 AB |
url |
http://ri.unsam.edu.ar/handle/123456789/2290 |
dc.language.none.fl_str_mv |
eng |
language |
eng |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ Creative Commons Atribución-NoComercial-CompartirIgual 2.5 Argentina (CC BY-NC-SA 2.5) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ Creative Commons Atribución-NoComercial-CompartirIgual 2.5 Argentina (CC BY-NC-SA 2.5) |
dc.format.none.fl_str_mv |
application/pdf 146 p. application/pdf |
dc.coverage.none.fl_str_mv |
ARG 2021 |
dc.publisher.none.fl_str_mv |
Universidad Nacional de San Martín. Escuela de Bio y Nanotecnologías. Instituto de Investigaciones Biotecnológicas. |
publisher.none.fl_str_mv |
Universidad Nacional de San Martín. Escuela de Bio y Nanotecnologías. Instituto de Investigaciones Biotecnológicas. |
dc.source.none.fl_str_mv |
reponame:Repositorio Institucional (UNSAM) instname:Universidad Nacional de General San Martín |
reponame_str |
Repositorio Institucional (UNSAM) |
collection |
Repositorio Institucional (UNSAM) |
instname_str |
Universidad Nacional de General San Martín |
repository.name.fl_str_mv |
Repositorio Institucional (UNSAM) - Universidad Nacional de General San Martín |
repository.mail.fl_str_mv |
lpastran@unsam.edu.ar |
_version_ |
1844621919080415232 |
score |
12.559606 |