Na podlagi obsežnih bioinformatičnih analiz podatkov iCLIP smo ugotovili, da se TDP43 preferencialno veže na daljša zaporedja UG in da sta nekodirajoča gena MALAT1 in NEAT1 glavni tarči v vzorcih pacientov s FTLD. Odkrili smo tudi nenavadno dolga področja vezave TDP43 globoko v notranjosti intronov, ki so navzdol od utišanih eksonov. Velik delež alternativnih izooblik, ki jih uravnava TDP43, tvori proteine, ki so povezani z nevrodegenerativnimi boleznimi, kar kaže na pomembno vlogo TDP43 na alternativno spajanje v možganih.
COBISS.SI-ID: 8278100
Članek opisuje Pade, novo metodo kvalitativnega učenje, ki ocenjuje parcialne odvode ciljne funkcije iz učnih primerov in jih uporablja za indukcijo kvalitativnega modela ciljne funkcije. Zasnovali smo tri metode izračuna odvodov, ki temeljijo na linearni regresiji, izračunani v lokalni okolici referenčne točke. Metode smo testirali na sintetičnih in resničnih podatkih. Članek opisuje tudi študijo na resničnem primeru, ki kaže, kako se metoda uporabi v praksi.
COBISS.SI-ID: 8324436
Razvili smo metodo iCLIP (individualnucleotide resolution UV crosslinking and immunoprecipitation), ki vključuje sekvenciranje in omogoča opazovanje interakcij med izbranim proteinom in RNA na nivoju posameznega nukleotida. Razvili smo algoritme in računski cevovod iCount za kartiranje odčitkov na človeški genom, filtriranje nekvalitetnih o dčitkov, kvantifikacijo vezave na osnovi naključnih barkod, generiranje genomski kart vezavnih mest in za analizo obogatenih pentanukleotidov v bližini vezavnih mest. Preučili smo vpliv delcev hnRNP na alternativno spajanje genov.
COBISS.SI-ID: 7800916
Razvili smo splošno metodo za razlago posameznih klasifikacij, ki je neodvisna od modela klasifikatorja. Razlaga odkrije interakcije med atributi, ki jih dani model klasifikatorja upošteva pri svojih napovedih. Pokazali smo relacijo z teorijo iger, ki je omogočila učinkovito implementacijo razlage, ki dovolj zanesljivo preišče sicer eksponenten prostor v linearnem času.
COBISS.SI-ID: 7543636
Znano je da lahko klasifikacijska dreves pridobljena s strojnim učenjem vsebujejo relacije, ki so sicer statistično signifikantne, vendar v praksi za človeka nimajo pomena. Takšne relacije, lahko pri iskanju zakonitosti v podatkih (DM) privedejo do napačnih sklepov. Zato smo razvili interaktivno metodo HMDM, ki izloči problematične relacije iz zaključkov analize na podlagi DM. Metoda na specifičen način zgradi različne modele, tako da lahko človek analizira posamezne relacije v različnih kontekstih in ugotovi katerim relacijam je smiselno zaupati in katerim ne. Prispevek opisuje tudi uporabo metode v dveh kompleksnih domenah: vpliv visokega šolstva ter vpliv sektorja raziskav in razvoja na ekonomsko blaginjo države. Rezultati kažejo, da metoda najde pomembne relacije, ki so bolj točne in bolj smiselne kot relacije, ki jih pridobimo z običajnim DM.
COBISS.SI-ID: 27888167