Predicción estructural de proteínas usando técnicas de clasificación

Simple item page
dc.creatorCharry-Ceballos, Christian
dc.creatorBedoya Leiva, Oscar Fernando
dc.date2018-06-19
dc.date.accessioned2022-03-14T20:29:49Z
dc.date.available2022-03-14T20:29:49Z
dc.descriptionIn this paper, a new protein structure prediction method is presented. Unlike current methods, this work introduces an approach based on supervised classification algorithms during the protein structure prediction. The accuracy of the proposed method was compared to traditional methods such as LFF (Local Feature Frequency) when using the Scop 2,05 dataset. The results indicate that there is a significant difference between these two methods. The proposed method reaches accuracy values of 92.13 %, 96.32 %, 93.05 %, and 76.35 %, at class, fold, superfamily, and family levels, respectively, and the LFF method reaches accuracy values of 85.90 %, 90.54 %, 79.85 % and 67.38 %, for the same structural levels.en-US
dc.descriptionEn este artículo se presenta un nuevo enfoque para la predicción estructural de proteínas. A diferencia de los métodos que existen actualmente, en este trabajo se propone un enfoque en el que se utilizan algoritmos de clasificación basados en aprendizaje supervisado para efectuar la predicción estructural. El desempeño del método propuesto se compara con el de métodos tradicionales como local feature frequency (LFF) usando el conjunto de datos Scop 2,05. Los resultados obtenidos indican que hay una diferencia favorable para el método propuesto y alcanzan porcentajes de proteínas correctamente clasificadas de 92,13 %, en cuanto a clase; 96,32 %, pliegue; 93,05 %, en superfamilia, y 76,35 %, en familia. Así se superan métodos tradicionales como LFF, que obtiene porcentajes de 85,90 %, 90,54 %, 79,85 % y 67,38 % para los mismos niveles estructurales.es-ES
dc.formatapplication/pdf
dc.formattext/html
dc.identifierhttps://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/6409
dc.identifier10.18273/revuin.v17n2-2018007
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/8365
dc.languagespa
dc.publisherUniversidad Industrial de Santanderes-ES
dc.relationhttps://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/6409/8148
dc.relationhttps://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/6409/9417
dc.rightsDerechos de autor 2018 Revista UIS Ingenieríases-ES
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.sourceREVISTA UIS ENGENHARIAS; v. 17 n. 2 (2018): Revista UIS Ingenierías; 75-86pt-BR
dc.sourceRevista UIS Ingenierías; Vol. 17 Núm. 2 (2018): Revista UIS Ingenierías; 75-86es-ES
dc.sourceRevista UIS Ingenierías; Vol. 17 No. 2 (2018): Revista UIS Ingenierías; 75-86en-US
dc.source2145-8456
dc.source1657-4583
dc.subjectBioinformaticsen-US
dc.subjectclassifiersen-US
dc.subjectstructural predictionen-US
dc.subjectproteinsen-US
dc.subjectSCOPen-US
dc.subjectBioinformáticaes-ES
dc.subjectclasificadoreses-ES
dc.subjectpredicción estructurales-ES
dc.subjectproteínases-ES
dc.subjectSCOPes-ES
dc.titlePredicción estructural de proteínas usando técnicas de clasificaciónes-ES
dc.titleProtein structure prediction using classification techniquesen-US
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dspace.entity.type
Files
Collections
Revista UIS Ingenierías