Maestría en Ingeniería de Sistemas e Informática

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/9010

Browse

Browsing Maestría en Ingeniería de Sistemas e Informática by Author "Camacho Urrea, Francy Liliana"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Modelo de predicción de péptidos antimicrobianos basado en técnicas de aprendizaje computacional y estadístico
    (Universidad Industrial de Santander, 2016) Camacho Urrea, Francy Liliana; Ramos Pollan, Raul; Torres Sáez, Rodrigo Gonzalo
    En los ultimos a nos, el reconocimiento de patrones se ha aplicado en diversas ˜ areas para resolver multiples problemas. Una de estas areas es el dise no˜ in silico de medicamentos, donde ha sido ampliamente utilizados en el analisis de prote ínas. Por ejemplo, para predecir la actividad antimicrobiana presente en peptidos (prote ínas cortas), los cuales se estan utilizando como alternativas a los medica- mentos tradicionales. En este trabajo, se propone utilizar herramientas como la Regresion de Vectores de Soporte (SVR, por sus siglas en ingles) junto con el modelo denominado Relaci on Cuantitativa entre Estructura-Actividad (QSAR, por sus siglas en ingles), para realizar el reconocimiento de patrones y crear algoritmos que permitan predecir la actividad antimicrobiana en peptidos. Para tal fin, se propuso una metodología que integra aprendizaje y seleccion de caracter ísticas junto con metricas de rendimiento aplicado a dos conjuntos de datos (uno con alta identidad y otro con baja identidad). Esta incluy o stacked autoencoders, algoritmos gen eticos, curvas de aprendizaje, prueba de permutacion, etc. A trav es de esta metodolog ía, los predictores obtenidos con el primer conjunto de datos son estadísticamente estables y mostraron rendimientos competitivos con respecto a la literatura. Sin embargo, con el segundo grupo los resultados mostrados fueron bajos en cada metrica. Por lo anterior, nuestro aporte se centro en el aprendizaje de caracter ísticas, identificacion de problemas de sesgo o alta varianza y confiabilidad estadística de los modelos predictivos, así como la definicion de los requeri- mientos del problema para que esta estrategia funcione correctamente.