Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Bautista Rozo, Lola XiomaraMartinez Perez, Francisco JoseCuadrado Morad, Manuel Ignacio2024-03-0320162024-03-0320162016https://noesis.uis.edu.co/handle/20.500.14071/34106La conformación que las moléculas de ARN adoptan suele estar asociada en gran medida a su función biológica. Debido a esto, la predicción de la estructura secundaria del ARN sigue siendo un problema abierto en el campo de la biología computacional. Aunque existen técnicas experimentales como la Cristalografía de rayos X y la Espectroscopía de Resonancia Magnética Nuclear, que permiten determinar la estructura de este tipo de macromoléculas, su uso suele ser restrictivo debido a su alto costo. Lo anterior ha impulsado el desarrollo de métodos computacionales que buscan determinar las interacciones que conducen al proceso de plegamiento del ARN. En este trabajo se presenta un algoritmo evolutivo basado en gramáticas, que permite predecir la estructura secundaria de moléculas de ARN a partir de su secuencia de nucleótidos. El algoritmo propuesto se fundamenta en el concepto de Evolución Gramatical, una técnica de inteligencia artificial originalmente diseñada para generar automáticamente programas en cualquier lenguaje. Se planteó un modelo de representación que codifica tanto la secuencia de nucleótidos del ARN como su estructura secundaria utilizando elementos estructurales conocidos como horquillas. A su vez se diseñó un conjunto de producciones organizadas en gramáticas que permiten no solo generar estructuras secundarias válidas, sino que también simulan el proceso de plegamiento del ARN a través de la modificación de cadenas definidas bajo el nuevo modelo de representación. Como todo algoritmo evolutivo, se implementa el uso de operadores genéticos con el fin de optimizar una población aleatoria de soluciones potenciales. Cada solución representa una trayectoria de plegamiento, que conduce a una estructura secundaria que la molécula puede adoptar. La energía libre asociada a la estructura obtenida luego de seguir cada posible trayectoria, es utilizada como función objetivo dentro del proceso de optimización. Con cada generación de individuos, las estructuras generadas convergen al estado de mínima energía.application/pdfspahttp://creativecommons.org/licenses/by/4.0/Predicción De La Estructura Secundaria Del ArnAlgoritmo EvolutivoEvolución GramaticalMinimización De La Energía Libre.Universidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestriaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coThe conformation that RNA molecules adopt is usually associated to their biological function. Because of thisthe prediction of RNA secondary structure remains as an open problem in the field of computational biology. Although there are experimental techniques such as X-ray crystallography and Nuclear magnetic resonance spectroscopy (NMR)for determining the structure of such macromoleculesits use is often restricted due to their high costs. This has led to the development of computational methods aimed at determine the interactions that lead to RNA folding. This work introduces a grammar-based evolutionary algorithm that predicts the secondary structure of RNA molecules from its nucleotide sequence. The algorithm is based on the concept of Grammatical Evolutionan artificial intelligence technique originally designed to automatically generate programs in any language. A model of representation that encodes both RNA nucleotide sequence and its secondary structure using structural elements known as Hairpins was proposed. At the same timea set of production rules organized in grammars was designed. These rules allow not only to generate valid secondary structuresbut also to simulate the folding process of RNA through the modification of strings defined under the new representation model. Like all evolutionary algorithmthe use of genetic operators is implemented in order to optimize a random population of potential solutions. Each solution represents a possible folding pathwhich leads to a secondary structure that the molecule can adopt. The free energy associated to the structure obtained after following each possible path is used as the objective function in the optimization process. With each generation of evolved individualsthe generated structures converge to the state of minimum energy.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)