Seqüències amb FI

Abstract

Els pèptids es presenten com a unes de les molècules terapèutiques prometedores donats els avantatges que presenten front altres molècules: penetració cel·lular, toxicitat, vida mitjana, solubilitat i immunogenicitat. La predicció "in silico" de la toxicitat, interacció pèptid-proteïna i la funció biològica té molt de pes a l'estadi inicial del procés d'obtenció de pèptids terapèutics. No existeix un mètode estandarditzat que ens indiqui quin és l'algoritme òptim per realitzar aquestes prediccions això com quina metodologia d'anàlisi s'hauria de seguir. Tanmateix, l'algoritme Support Vector Machine (SVM) és el més utilitzat a l'hora de predir les anteriors característiques peptídiques juntament amb l'anàlisi de les seqüències atenent a la seva composició aminoacídica i dipeptídica. Els resultats d'aplicar els mètodes de Machine Learning (ML) dependran en gran mesura, d'una banda, dels paràmetres que es fixen a l'hora de executar aquests, i d'altra, de les característiques i estructura que presenta el nostre conjunt de dades a analitzar. La creació d'una base de dades comú no redundant i baix un mateix format milloraria l'avanç d'aquest camp en l'estudi de la predicció "in silico" de pèptids terapèutics.

Peptides are presented as one of the promising therapeutic molecules given the advantages over other molecules: cell penetration, toxicity, mèdium-life, solubility and immunogenicity ... "In silico" prediction of peptides' toxicity, peptide-protein interaction and biological function has a lot of weight in the initial stage of the process of obtaining therapeutic peptides. There is not a standardized method with the optimal algorithm performing these predictions; neither the method of analysis that should be followed. However, Support Vector Machine algorithm (SVM) has been the mostly used and performed algorithm. In turn, to predicting the previous peptide characteristics researchers usually performthe analysis of the sequences based on their amino acid and dipeptide composition. The results of applying Machine Learning (ML) methods will depend, on the parameters that are set to execute these ones, and, on the characteristics and structure that our dataset has. Creating a common, non-redundant database under the same format would improve the progress of this field in the study of "in silico" sequence-based prediction of therapeutic peptides.

Los péptidos se presentan como unas de las moléculas terapéuticas prometedoras dados las ventajas que presentan frente otros moléculas: penetración celular, toxicidad, vida mediana, solubilidad y immunogenicitat. La predicción "in silico" de la toxicidad, interacción péptido-proteína y la función biológica tiene mucho peso al estadio inicial del proceso de obtención de péptidos terapéuticos. No existe un método estandarizado que nos indique cuál es el algoritmo óptimo para realizar estas predicciones esto cómo qué metodología de análisis se tendría que seguir. Aun así, el algoritmo Support Vector Machine (SVM) es lo más utilizado a la hora de predecir las anteriores características peptídicas junto con el análisis de las secuencias atendiendo a su composición aminoacídica y dipeptídica. Los resultados de aplicar los métodos de Machine Learning (ML) dependerán en gran medida, por un lado, de los parámetros que se fijan a la hora de ejecutar estos, y de otra, de las características y estructura que presenta nuestro conjunto de datos a analizar. La creación de una base de datos común no redundante y bajo un mismo formato mejoraría el avance de este campo en el estudio de la predicción "in silico" de péptidos terapéuticos.