Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Ramos Pollan, RaulTorres Sáez, Rodrigo GonzaloCamacho Urrea, Francy Liliana2024-03-0320162024-03-0320162016https://noesis.uis.edu.co/handle/20.500.14071/34100En 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.application/pdfspahttp://creativecommons.org/licenses/by/4.0/Diseno De MedicamentosRegresi ˜ On De Vectores De So´ PortePeptidos AntimicrobianosAutoencodersStacked AutoencoderUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestriaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coIn recent yearsthe pattern recognition has been applied in many areas to solve diverse problems. One of those areas is the in silico drug designwhich has been widely used in the protein analysis. For exampleto predict the antimicrobial activity in peptides (small proteins)which are being used as alternatives to traditional medicines. In this paperwe propose to use tools such as the Support Vector Regression (SVR) and Quantitative Structure-Activity Relationship (QSAR) modelfor recognition patterns and create algorithms to predict the antimicrobial activity in peptides. For this purposewe 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 autoencodersgenetic algorithmslearning curvespermutation testsetc. Through this methodologythe predictors we obtain are statistically stable and they have competitive performance with respect to literature. Howeverwith the second group the results shown were low in each metric. Thereforeour contribution focused on feature learningidentifying problems of bias or high variance and statistical stabilityand the definition of the requerements of the problem for this strategy to work properly.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)