Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Bautista Rozo, Lola XiomaraRondón, Nydia PaolaTorres Sáez, Rodrigo GonzaloSierra Bueno, Daniel AlfonsoCamacho Urrea, Francy Liliana2024-03-0320132024-03-0320132013https://noesis.uis.edu.co/handle/20.500.14071/29173En los últimos años, el reconocimiento de patrones se ha aplicado en diversas áreas para resolver múltiples problemas. Una de estas áreas es el diseño in silico de medicamentos, donde ha sido ampliamente utilizados en el análisis de proteínas. Por ejemplo, para predecir la actividad antibacteriana presente en péptidos (proteínas cortas), los cuáles se están utilizando como alternativas a los medicamentos tradicionales. En este trabajo, se propone utilizar herramientas como las máquinas de soporte vectorial(SVM, por sus siglas en inglés) junto con el modelo denominado Relación Cuantitativa entre Estructura-Actividad (QSAR, por sus siglas en inglés), para realizar el reconocimiento de patrones y crear algoritmos que permitan identificar la actividad antibacteriana en péptidos. Para llevar a cabo este proceso, se parte de un conjunto de 2288 secuencias representativas de péptidos con y sin actividad antimicrobiana, para los cuáles se codifica información numérica y como resultado se creó un clasificador en cascada que muestra una precisión estimada del 80%, resultados que permiten inferir que los descriptores utilizados para codificar las secuencias contienen la información suficiente para relacionar los péptidos y su actividad antibacteriana mediante el uso de máquinas de aprendizaje.application/pdfspahttp://creativecommons.org/licenses/by/4.0/Diseño De MedicamentosMáquinas De Soporte VectorialPéptidos AntibacterianosUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coDesign Of DrugsSupport Vector MachinesAntibacterial Peptides.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)