Modelo de predicción de péptidos antimicrobianos basado en técnicas de aprendizaje computacional y estadístico

Simple item page
dc.contributor.advisorRamos Pollan, Raul
dc.contributor.advisorTorres Sáez, Rodrigo Gonzalo
dc.contributor.authorCamacho Urrea, Francy Liliana
dc.date.accessioned2024-03-03T22:34:03Z
dc.date.available2016
dc.date.available2024-03-03T22:34:03Z
dc.date.created2016
dc.date.issued2016
dc.description.abstractEn 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.
dc.description.abstractenglishPrediction model of antimicrobial peptides based on machine learning and statistical learning
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería de Sistemas e Informática
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/34100
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Ingeniería de Sistemas e Informática
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
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.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectDiseno De Medicamentos
dc.subjectRegresi ˜ On De Vectores De So
dc.subject´ Porte
dc.subjectPeptidos Antimicrobianos
dc.subjectAutoencoders
dc.subjectStacked Autoencoder
dc.subject.keywordIn recent years
dc.subject.keywordthe pattern recognition has been applied in many areas to solve diverse problems. One of those areas is the in silico drug design
dc.subject.keywordwhich has been widely used in the protein analysis. For example
dc.subject.keywordto predict the antimicrobial activity in peptides (small proteins)
dc.subject.keywordwhich are being used as alternatives to traditional medicines. In this paper
dc.subject.keywordwe propose to use tools such as the Support Vector Regression (SVR) and Quantitative Structure-Activity Relationship (QSAR) model
dc.subject.keywordfor recognition patterns and create algorithms to predict the antimicrobial activity in peptides. For this purpose
dc.subject.keywordwe proposed a methodology that integrates feature learning and selection methods and thorough use of performance metrics applied on two datasets (first one with high identity and the other with low identity). This includes stacked autoencoders
dc.subject.keywordgenetic algorithms
dc.subject.keywordlearning curves
dc.subject.keywordpermutation tests
dc.subject.keywordetc. Through this methodology
dc.subject.keywordthe predictors we obtain are statistically stable and they have competitive performance with respect to literature. However
dc.subject.keywordwith the second group the results shown were low in each metric. Therefore
dc.subject.keywordour contribution focused on feature learning
dc.subject.keywordidentifying problems of bias or high variance and statistical stability
dc.subject.keywordand the definition of the requerements of the problem for this strategy to work properly.
dc.titleModelo de predicción de péptidos antimicrobianos basado en técnicas de aprendizaje computacional y estadístico
dc.title.englishDesign Of Drugs, Support Vector Regression, Antimicrobial Peptides, Autoencoders, Stacked Autoencoder.
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestria
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
102.34 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
6.55 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
251.14 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería de Sistemas e Informática