Распознавание 3'-концов SINE по всему дереву жизни

По последним данным ретротранспозоны (SINE, LINE) были обнаружены у всех эукариот и занимают значительную часть большинства геномов (42% генома человека, 37% – мыши и 78% – кукурузы). Отличительной особенностью SINE является отсутствие регионов, кодирующих белки, отвечающих за ретротранспозицию. Предполагается, что SINE сохраняет способность распространяться по геному благодаря сходству шпильки на 3’-конце с такой же шпилькой LINE. Основываясь на этом, мы предположили, что шпилька является значимой структурой, которая должна обладать схожими свойствами у разных классов SINE у разных организмов по всему дереву жизни. Целью данного исследования является построение моделей машинного обучения для распознавания шпилек на 3’-концах различных классов SINE (произошедших от tРНК, rРНК, snРНК, 7SL), а также выявление признаков, объединяющих классы SINE по происхождению. В качестве данных использовались 822 шаблонных последовательности транспозонов от различных организмов по всему дереву жизни, доступных в базе данных RepBase. В ходе работы были обучены модели для распознавания реальных и искусственно сгенерированных данных, а также построены модели для разделения реальных данных на классы по происхождению. В качестве признаков модели учитывались нуклеотидный состав и физико-химические свойства динуклеотидов, входящих в состав шпильки. В результате были обучены модели, отличающие классы с точностью ~74%. Анализ значимости признаков показал, что важнейшими из них являются минимальная свободная энергия вторичной структуры РНК, а также параметры shift и slide динуклеотида, граничащего с петлей. Полученные результаты свидетельствуют в пользу того, что шпилька действительно является значимой структурой ретротранспозонов SINE, обладающая общими свойствами для разных классов SINE и разных видов по всему дереву жизни.