Implementación de un método diagnóstico para la enfermedad de Chagas utilizando espectrometría de masas (MALDI-TOF) y aprendizaje automatizado Machine Learning

Simple item page
dc.contributor.advisorMejía Ospino, Enrique
dc.contributor.advisorPrada Vargas, Yuly Andrea
dc.contributor.authorVelandia Hernández, Yenny Fernanda
dc.contributor.evaluatorCombariza Montanez, Marianny Yajaira
dc.contributor.evaluatorMartinez Morales, Jairo Rene
dc.date.accessioned2024-02-28T20:31:12Z
dc.date.available2024-02-28T20:31:12Z
dc.date.created2024-02-27
dc.date.issued2024-02-27
dc.description.abstractLa enfermedad de Chagas es causada por el parásito Trypanosoma cruzi, y representa una amenaza persistente y potencialmente letal. Las pruebas confirmatorias son clave para prevenir la progresión de la enfermedad a la fase crítica y evitar consecuencias como la insuficiencia cardíaca y muerte. En el diagnóstico, las técnicas iniciales basadas en tinciones sanguíneas y las pruebas serológicas han enfrentado desafíos con falsos negativos y positivos en distintas fases de la enfermedad. En este estudio, se empleó la Espectrometría de masas MALDI-TOF junto con herramientas computacionales basadas en el aprendizaje automatizado supervisado para formular un modelo predictivo de la enfermedad de Chagas. Este enfoque novedoso en el diagnóstico siguió un proceso secuencial que inició con la selección de muestras, determinación de proteínas totales presentes en suero, preparación de muestras por digestión enzimática de proteínas y finalmente la obtención de los perfiles proteómicos para la formulación de modelos predictivos basados en Machine learning. Como resultado del estudio se obtuvieron 9 modelos de predicción con exactitud del 83-100%. De los cuales, los algoritmos de Máquinas de Vectores de Soporte y Clasificación de Vector Nu-Apoyo (NuSVC) brindaron la exactitud más alta (100%) mientras que los algoritmos correspondientes a Perceptrones Multicapa (MLP) y K-Vecinos Más Cercanos (KNN) obtuvieron la exactitud más baja con 90% y 83% respetivamente. Estos resultados respaldan la efectividad de la metodología propuesta, destacando su potencial para una detección precisa y eficiente de la enfermedad de Chagas.
dc.description.abstractenglishChagas disease, caused by the Trypanosoma cruzi parasite, poses a persistent and potentially lethal threat. Confirmatory tests are crucial to prevent the progression of the disease to critical stages and to avoid consequences such as heart failure and death. In diagnosis, initial techniques based on blood stains and serological tests have encountered challenges with false negatives and positives at various stages of the disease. In this study, Matrix-Assisted Laser Desorption/Ionization Time-Of-Flight Mass Spectrometry (MALDI-TOF MS) was employed along with computational tools based on supervised machine learning to formulate a predictive model of Chagas disease. This novel approach to diagnosis followed a sequential process that began with sample selection, determination of total proteins present in serum, sample preparation by enzymatic protein digestion, and finally obtaining proteomic profiles for formulating predictive models based on machine learning. As a result of the study, 9 prediction models were obtained with an accuracy ranging from 83-100%. Among these, Support Vector Machines (SVM) and Nu-Support Vector Classification (NuSVC) algorithms provided the highest accuracy (100%), while Multilayer Perceptrons (MLP) and K-Nearest Neighbors (KNN) algorithms achieved the lowest accuracy with 90% and 83%, respectively. These results support the effectiveness of the proposed methodology, highlighting its potential for accurate and efficient detection of Chagas disease.
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0002013787
dc.description.degreelevelPregrado
dc.description.degreenameQuímico
dc.description.orcidhttps://orcid.org/0009-0005-4334-3550
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/20.500.14071/15926
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ciencias
dc.publisher.programQuímica
dc.publisher.schoolEscuela de Química
dc.rightsinfo:eu-repo/semantics/openAccess
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.licenseAtribución-SinDerivadas 2.5 Colombia (CC BY-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectEnfermedad de Chagas
dc.subjectdiagnóstico
dc.subjectAprendizaje automatizado
dc.subject.keywordChagas disease
dc.subject.keyworddiagnostic
dc.subject.keywordMachine learning
dc.titleImplementación de un método diagnóstico para la enfermedad de Chagas utilizando espectrometría de masas (MALDI-TOF) y aprendizaje automatizado Machine Learning
dc.title.englishImplementation of a diagnostic method for Chagas disease using mass spectrometry (MALDI-TOF) and machine learning
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Collections
Química