Agrupamiento no supervisado y redes convolucionales para el aprendizaje de estructuras en bioinformática

La predicción computacional del plegamiento de secuencias es un proceso fundamental para la determinación de los ácidos ribonucleicos (ARN), porque a partir de estas estructuras es posible estudiar las funciones que cumplen dichas secuencias. La inteligencia artificial, en particular el aprendizaje...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Fucksmann, Ignacio Luis, Bugnon, Leandro Ariel, Milone, Diego Humberto
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2023
Materias:
Ciencias Informáticas
Aprendizaje no supervisado
Redes neuronales
Bioinformática
Predicción de estructuras
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/166468
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-166468
record_format dspace
spelling I19-R120-10915-1664682024-05-28T20:06:47Z http://sedici.unlp.edu.ar/handle/10915/166468 Agrupamiento no supervisado y redes convolucionales para el aprendizaje de estructuras en bioinformática Fucksmann, Ignacio Luis Bugnon, Leandro Ariel Milone, Diego Humberto 2023-09 2023 2024-05-28T13:55:08Z es Ciencias Informáticas Aprendizaje no supervisado Redes neuronales Bioinformática Predicción de estructuras La predicción computacional del plegamiento de secuencias es un proceso fundamental para la determinación de los ácidos ribonucleicos (ARN), porque a partir de estas estructuras es posible estudiar las funciones que cumplen dichas secuencias. La inteligencia artificial, en particular el aprendizaje profundo, ha comenzado a ser utilizada para la predicción de estas estructuras a partir de la secuencia. Sin embargo, este problema se dificulta conforme se aumenta la longitud de la cadena, generando estructuras muy diferentes entre sí. Este trabajo busca mejorar el modelado y aprendizaje de estas estructuras con la incorporación de técnicas de agrupamiento de secuencias. Hemos encontrado una relación entre la estructura formada y la secuencia original mediante una medida basada en información mutua. Nuestros resultados son prometedores, alcanzando un valor de información mutua normalizado de 0.79 entre los agrupamientos generados entre las secuencias de entrada y los generados por la estructura a predecir. A partir de estos agrupamientos, se entrenaron modelos de predicción basados en redes convolucionales, independientes para cada grupo de secuencias, y se ensamblan para obtener la predicción final, obteniendo en promedio un 5.20 % de mejora en F1, comparando contra el modelo de referencia. Sociedad Argentina de Informática e Investigación Operativa Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 141-150
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Aprendizaje no supervisado
Redes neuronales
Bioinformática
Predicción de estructuras
spellingShingle Ciencias Informáticas
Aprendizaje no supervisado
Redes neuronales
Bioinformática
Predicción de estructuras
Fucksmann, Ignacio Luis
Bugnon, Leandro Ariel
Milone, Diego Humberto
Agrupamiento no supervisado y redes convolucionales para el aprendizaje de estructuras en bioinformática
topic_facet Ciencias Informáticas
Aprendizaje no supervisado
Redes neuronales
Bioinformática
Predicción de estructuras
description La predicción computacional del plegamiento de secuencias es un proceso fundamental para la determinación de los ácidos ribonucleicos (ARN), porque a partir de estas estructuras es posible estudiar las funciones que cumplen dichas secuencias. La inteligencia artificial, en particular el aprendizaje profundo, ha comenzado a ser utilizada para la predicción de estas estructuras a partir de la secuencia. Sin embargo, este problema se dificulta conforme se aumenta la longitud de la cadena, generando estructuras muy diferentes entre sí. Este trabajo busca mejorar el modelado y aprendizaje de estas estructuras con la incorporación de técnicas de agrupamiento de secuencias. Hemos encontrado una relación entre la estructura formada y la secuencia original mediante una medida basada en información mutua. Nuestros resultados son prometedores, alcanzando un valor de información mutua normalizado de 0.79 entre los agrupamientos generados entre las secuencias de entrada y los generados por la estructura a predecir. A partir de estos agrupamientos, se entrenaron modelos de predicción basados en redes convolucionales, independientes para cada grupo de secuencias, y se ensamblan para obtener la predicción final, obteniendo en promedio un 5.20 % de mejora en F1, comparando contra el modelo de referencia.
format Objeto de conferencia
Objeto de conferencia
author Fucksmann, Ignacio Luis
Bugnon, Leandro Ariel
Milone, Diego Humberto
author_facet Fucksmann, Ignacio Luis
Bugnon, Leandro Ariel
Milone, Diego Humberto
author_sort Fucksmann, Ignacio Luis
title Agrupamiento no supervisado y redes convolucionales para el aprendizaje de estructuras en bioinformática
title_short Agrupamiento no supervisado y redes convolucionales para el aprendizaje de estructuras en bioinformática
title_full Agrupamiento no supervisado y redes convolucionales para el aprendizaje de estructuras en bioinformática
title_fullStr Agrupamiento no supervisado y redes convolucionales para el aprendizaje de estructuras en bioinformática
title_full_unstemmed Agrupamiento no supervisado y redes convolucionales para el aprendizaje de estructuras en bioinformática
title_sort agrupamiento no supervisado y redes convolucionales para el aprendizaje de estructuras en bioinformática
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/166468
work_keys_str_mv AT fucksmannignacioluis agrupamientonosupervisadoyredesconvolucionalesparaelaprendizajedeestructurasenbioinformatica
AT bugnonleandroariel agrupamientonosupervisadoyredesconvolucionalesparaelaprendizajedeestructurasenbioinformatica
AT milonediegohumberto agrupamientonosupervisadoyredesconvolucionalesparaelaprendizajedeestructurasenbioinformatica
_version_ 1807223110332579840

Ejemplares similares