Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery / (Registro nro. 23085)

000 -CABECERA
Campo de control de longitud fija 03727 a2200253 04500
001 - NÚMERO DE CONTROL
Campo de control 9670
007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA
DESCRIPCIÓN FÍSICA 27 p.
008 - CAMPO FIJO DE DESCRIPCIÓN FIJA--INFORMACIÓN GENERAL
Campo de control de longitud fija 050619s2022 ck a spa d
041 0# - CÓDIGO DE IDIOMA
Código de idioma para texto, pista de sonido o título separado spa
082 0# - NÚMERO DE LA CLASIFICACIÓN DECIMAL DEWEY
Número de clasificación Decimal 610.28
Número de documento (Cutter) H888a
100 ## - ENCABEZAMIENTO PRINCIPAL--NOMBRE PERSONAL
Nombre de persona Hueza Echeverri, Mateo.
9 (RLIN) 48160
245 0# - TÍTULO PROPIAMENTE DICHO
Título Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery /
Medio físico [Recurso Electrónico] /
Mención de responsabilidad, etc. Mateo Hueza Echeverri.
260 4# - PUBLICACIÓN, DISTRIBUCIÓN, ETC (PIE DE IMPRENTA)
Lugar de publicación, distribución, etc. Bogotá (Colombia) :
Nombre del editor, distribuidor, etc. Escuela Colombiana de Ingeniería Julio Garavito,
Fecha de publicación, distribución, etc. 2022.
300 4# - DESCRIPCIÓN FÍSICA
Extensión 27 paginas.
Otros detalles físicos gráficos.
500 ## - NOTA GENERAL
Nota general Tesis (Ingeniero Biomédico)
520 ## - RESUMEN, ETC.
Nota de sumario, etc. La tuberculosis (TB) es catalogada como la segunda causa de mortalidad a nivel mundial[1]. A lo largo de los años han surgido variedad de medicamentos y fármacos cuyo objetivo<br/>es la eliminación de la especie bacteriana Mycobaterium tuberculosis, causante de la enfermedad. Clasificados como primera, segunda y tercera línea, estos grupos de fármacos se encargan<br/>de atacar a la bacteria de diferente manera y magnitud según la gravedad de la enfermedad;<br/>sin embargo, una problemática que crece de manera preocupante es el surgimiento de cepas<br/>que presentan resistencia a uno o varios fármacos existentes. Las resistencias se presentan por<br/>diferentes causas donde la principal responde a los deficiencias en tratamientos a la enfermedad, así como por transmisión de cepas resistentes[2].<br/>En este documento se presenta un proyecto de investigación planteado desde el área de la<br/>bioinformática, en el que se busca dar una solución a la actual problemática de la drogorresistencia en tres proteínas presentes en cepas resistentes la especie bacteriana Mycobaterium<br/>tuberculosis. Se busca plantear y comparar modelos de predicción de valores de pIC50 (escala<br/>logarítmica del IC50), que hace referencia a la concentración necesaria del fármaco para disminuir la actividad de la proteína en un 50 %. Esta predicción servirá para nuevos fármacos,<br/>tomando como punto de partida la estructura molecular de compuestos químicos ya conocidos.<br/>Para ello se caracterizan con los datos provenientes de la base ChEMBL[3] y que tengan como<br/>proteína objetivo las proteínas N-Acetiltransferasa codificada por el gen eis, la ATP sintentasa<br/>subunidad c codificada por el gen atpE y por la Subunidad beta de ARN polimerasa dirigida<br/>por ADN codificada por el gen rpoB. Se esocogen estas proteínas dado que en ellas se presenta<br/>la resistencia a ciertos fármacos bactericidas de segunda y tercera línea. A cada compuesto se<br/>le calculan descriptores relacionados con la ley de lipinski: el peso molecular (MW), número<br/>de donadores de enlaces por puentes de hidrógeno (NumHDonnors), número de aceptores de<br/>enlaces por puentes de hidrógeno (NumHAcceptors) y el coeficinente de reparto octanol/agua<br/>(LogP); de igual manera se calcula una huella que cuenta con 881 descriptores que junto con<br/>los cuatro ya mencionados, se toman como la entrada de los modelos de regresión a plantear y<br/>los valores de pIC50 conocidos se toman como salida. Lo anterior corresponde al conjunto de<br/>entrenamiento con el que se generan diferentes modelos de regresión para esta predicción del<br/>pIC50. Para finalizar se comparan las características de funcionamiento de los modelos para<br/>así establecer los más adecuados para la problemática.
650 #0 - ASIENTO SECUNDARIO DE MATERIA--TÉRMINO DE MATERIA
Nombre de materia o nombre geográfico como elemento de entrada APRENDIZAJE AUTOMÁTICO.
Subdivisión general TUBERCULOSIS
9 (RLIN) 30884
650 ## - ASIENTO SECUNDARIO DE MATERIA--TÉRMINO DE MATERIA
Nombre de materia o nombre geográfico como elemento de entrada INGENIERÍA BIOMÉDICA
9 (RLIN) 48163
650 ## - ASIENTO SECUNDARIO DE MATERIA--TÉRMINO DE MATERIA
Nombre de materia o nombre geográfico como elemento de entrada BIOINFORMÁTICA
9 (RLIN) 63754
700 ## - ENCABEZAMIENTO SECUNDARIO--NOMBRE PERSONAL
Nombre de persona Orjuela Cañón, Álvaro David
Término relacionador director.
9 (RLIN) 48188
700 ## - ENCABEZAMIENTO SECUNDARIO--NOMBRE PERSONAL
Nombre de persona Jutinico Alarcón, Andrés Leonardo
Término relacionador director.
9 (RLIN) 48189
856 ## - ACCESO ELECTRÓNICO
Identificador uniforme del recurso URI <a href="https://repositorio.escuelaing.edu.co/handle/001/2095">https://repositorio.escuelaing.edu.co/handle/001/2095</a>
942 ## - ELEMENTOS KOHA
Fuente de clasificación o esquema de ordenación en estanterías
Koha tipo de item TRABAJOS DE GRADO
Existencias
Disponibilidad Mostrar en OPAC Fuente de clasificación o esquema Tipo de Descarte Estado Código de colección Localización permanente Localización actual Localización en estanterías Fecha adquisición Proveedor Forma de Adq Precio normal de compra Datos del ítem (Volumen, Tomo) Préstamos totales Signatura completa Código de barras Fecha última consulta Número de ejemplar Propiedades de Préstamo KOHA Programa Académico
        Préstamo Normal Digital Biblioteca Jorge Álvarez Lleras Biblioteca Jorge Álvarez Lleras Fondo general 2022-07-28 Ingeniería Biomédica Donación 0.00 Ej.1   610.28 H888a D002148 2022-07-28 1 TRABAJOS DE GRADO Ingeniería Biomédica