Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/146248
Título : | Predicción de la abundancia de ARNm usando redes neuronales profundas |
Autoría: | Domínguez Pérez, Carlos Daniel |
Tutor: | Alférez, Santiago |
Otros: | Calvet Liñán, Laura |
Resumen : | La expresión génica controla el desarrollo, el crecimiento, la adaptación y la reproducción de todas las células, por lo que su entendimiento puede brindarnos con grandes avances en el ámbito de la medicina y la biotecnología. Sin embargo, aún no está claro cómo las diferentes regiones de la cadena de ADN intervienen en la regulación de esta expresión. Además de esto, las técnicas para medirla siguen siendo costosas y lentas. Con el fin de aportar una herramienta útil para el personal investigador y sanitario, en este proyecto se han aplicado diferentes modelos de aprendizaje profundo para la predicción del ARNm en Saccharomyces cerevisiae utilizando Pytorch. Para llevar a cabo esta tarea, se ha utilizado un conjunto de datos compuesto por la abundancia de ARNm de diferentes genes, junto con las secuencias de la región no codificantes, las frecuencias de los codones y otras ocho variables de estabilidad del ARNm. Se han entrenado diferentes modelos, usando por un lado las secuencias y por otro el resto de las variables. Tras esto, se han unido los mejores modelos para cada conjunto de datos, creando un modelo nuevo combinado. |
Palabras clave : | aprendizaje profundo procesamiento del lenguaje natural expresión génica |
Tipo de documento: | info:eu-repo/semantics/masterThesis |
Fecha de publicación : | jun-2022 |
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 | |
---|---|---|---|---|
cardomper1TFM0622memoria.pdf | Memoria del TFM | 845,78 kB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons