Aktivitātes WP1 ietvaros:
Iepriekš izvēlētajiem 12 šūnu tipiem no Pandey un Uhlen datu kopām veikti eksperimenti proteīnu koncentrāciju prognozēšanai no RNA koncentrācijām izmantojot Deep Learning neironu tīklu, kas atļauj proteīna koncentrāciju izteikt ar lineāriem vienādojumiem, kuru koeficienti ir atkarīgi no Gene Ontology parametriem konkrētajam gēnam. Iegūtie rezultāti, parāda, ka prognozes šādā veidā var uzlabot, labākajā gadījumā sasniedzot 0.84 Pearsona korelāciju starp prognozētajām un eksperimentāli izmērītajām vērtībām.

Aktivitātes WP2 ietvaros:
Turpināta uz BLUEPRINT projekta datiem balstīto hromatīna interakcijas grafu analīze. Veikta manuāla jau publicēto “viena gēna interakciju” paternu identifikācija iegūtajos grafos un parametru piemeklēšana, kas nodrošina vislabāko atbilstību starp automātiski konstruētajiem grafiem un publicētajiem paterniem.

Aktivitātes WP3 ietvaros:
Uzsākta S.cerevisiae gēnu regulācijas evolūcijas izpēte balstoties uz ar ChIP-chip eksperimentos iegūtām datu kopām, kas satur informāciju par 6270 gēniem un 124 bioloģiski validētiem gēnu regulatoriem. Veikti eksperimenti šīs datu kopas reprezentācijai ar grafveida struktūrām un manuālai vairāku bioloģiski validētu regulācijas motīvu identifikācijai šajās grafu reprezentācijās.

Aktivitātes WP4 ietvaros:
Praktiski pabeigta Pandey, Uhlen un GTEx datu kopās iekļauto gēnu anotācija ar no Swiss-Prot datubāzes iegūstamo informāciju par šiem gēniem atbilstošajiem proteīniem. Ar programmatūras palīdzību veikta pilna Gene Ontology hierarhiskās klasifikācijas rekonstrukcija no vairākiem pieejamajiem GO eksporta formātiem, kas ļauj veikt datu analīzi izvēlētā GO hierarhijas līmenī.

Aktivitātes WP5 ietvaros:
Izveidota programmatūra, kas veic proteīnu koncentrāciju prognozēšanu izmantojot Deep Learning neironu tīklu. Izstrādāti programmatūras moduļi grafu reprezentāciju konstruēšanai no HiC un ChIP-chip datu kopām.