Empreu aquest identificador per citar o enllaçar aquest ítem:
http://hdl.handle.net/10609/127826
Títol: | Predicción de la toxicidad en péptidos mediante técnicas Machine Learning |
Autoria: | Monserrat Gómez, Mariano |
Altres: | Maceira, Marc Sanchez-Martinez, Melchor |
Resum: | Durant el desenvolupament de nous fàrmacs, s'ha vist que la majoria de les molècules estudiades són descartades en els assajos clínics per presència de toxicitat. A conseqüència, s'han desenvolupat mètodes computacionals per predir l'activitat de les molècules candidates. En els últims anys, els pèptids s'han proposat com a possibles candidats a fàrmacs per la seva alta activitat biològica, especificitat, baix cost de producció i alta penetració. En aquest treball es pretén desenvolupar un model Machine Learning (ML) per predir la toxicitat peptídica per al possible desenvolupament de nous fàrmacs. Es recopilaran pèptids tòxics i no tòxics de diferents bases de dades i s'agruparan en un dataset. Amb les seqüències peptídiques, es generaran els descriptors pseudo-aminoàcids per a la creació de models de predicció de toxicitat peptídica. Amb mètodes de clustering i balanceig es crearan nous datasets que seran usats per a generar models predictius amb els algoritmes de ML utilitzats: SVM, RF i GBRT. Es seleccionaran els millors models i seran avaluats amb un dataset extern. Els models generats per clustering i balanceig eren de major qualitat (exactitud, precisió, sensibilitat, especificitat, F1 i AUC de corba ROC) que els obtinguts amb el dataset inicial. Dels cinc millors models avaluats amb el dataset extern (Model Subsampling SVM, Model Subsampling RF, Model DBSCAN + Subsampling SVM, Model DBSCAN + Subsampling GBRT i Model Linclust RF), tres presentaven millors indicadors de qualitat. Es conclou que els millors models per predir la toxicitat de pèptids són Model Subsampling SVM, Model Subsampling RF i Model DBSCAN + Subsampling GBRT. |
Paraules clau: | pèptid toxicitat machine learning |
Tipus de document: | info:eu-repo/semantics/masterThesis |
Data de publicació: | 5-gen-2021 |
Llicència de publicació: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Apareix a les col·leccions: | Trabajos finales de carrera, trabajos de investigación, etc. |
Arxius per aquest ítem:
Arxiu | Descripció | Mida | Format | |
---|---|---|---|---|
mmonserratgTFM0121memoria.pdf | Memoria del TFM | 3,47 MB | Adobe PDF | Veure/Obrir |
Comparteix:
Aquest ítem està subjecte a una llicència de Creative Commons Llicència Creative Commons