Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/127826
Título : | Predicción de la toxicidad en péptidos mediante técnicas Machine Learning |
Autoría: | Monserrat Gómez, Mariano |
Otros: | Maceira, Marc Sanchez-Martinez, Melchor |
Resumen : | Durante el desarrollo de nuevos fármacos, se ha visto que la mayoría de las moléculas estudiadas son descartadas en los ensayos clínicos por presencia de toxicidad. A consecuencia, se han desarrollado métodos computacionales para predecir la actividad de las moléculas candidatas. En los últimos años, los péptidos se han propuesto como posibles candidatos a fármacos por su alta actividad biológica, especificidad, bajo coste de producción y alta penetración. En este trabajo se pretende desarrollar un modelo Machine Learning (ML) para predecir la toxicidad peptídica para el posible desarrollo de nuevos fármacos. Se recopilarán péptidos tóxicos y no tóxicos de distintas bases de datos y se agruparán en un dataset. Con las secuencias peptídicas, se generarán los descriptores pseudo-aminoácidos para la creación de modelos de predicción de toxicidad peptídica. Con métodos de clustering y balanceo se crearán nuevos datasets que serán usados para generar modelos predictivos con los algoritmos de ML utilizados: SVM, RF y GBRT. Se seleccionarán los mejores modelos y serán evaluados con un dataset externo. Los modelos generados por clustering y balanceo eran de mayor calidad (exactitud, precisión, sensibilidad, especificidad, F1 y AUC de curva ROC) que los obtenidos con el dataset inicial. De los cinco mejores modelos evaluados con el dataset externo (Modelo Subsampling SVM, Modelo Subsampling RF, Modelo DBSCAN+Subsampling SVM, Modelo DBSCAN+Subsampling GBRT y Modelo Linclust RF), tres presentaban mejores indicadores de calidad. Se concluye que los mejores modelos para predecir la toxicidad de péptidos son Modelo Subsampling SVM, Modelo Subsampling RF y Modelo DBSCAN+Subsampling GBRT. |
Palabras clave : | péptido toxicidad machine learning |
Tipo de documento: | info:eu-repo/semantics/masterThesis |
Fecha de publicación : | 5-ene-2021 |
Licencia de publicación: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Aparece en las colecciones: | Trabajos finales de carrera, trabajos de investigación, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
mmonserratgTFM0121memoria.pdf | Memoria del TFM | 3,47 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons