Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery / [Recurso Electrónico] / Mateo Hueza Echeverri.

Por: Hueza Echeverri, MateoColaborador(es): Orjuela Cañón, Álvaro David [director.] | Jutinico Alarcón, Andrés Leonardo [director.]Idioma: Español Editor: Bogotá (Colombia) : Escuela Colombiana de Ingeniería Julio Garavito, 2022Descripción: 27 paginas. gráficosTema(s): APRENDIZAJE AUTOMÁTICO. -- TUBERCULOSIS | INGENIERÍA BIOMÉDICA | BIOINFORMÁTICAClasificación CDD: 610.28 Recursos en línea: Haga clic para acceso en línea Resumen: 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 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 de atacar a la bacteria de diferente manera y magnitud según la gravedad de la enfermedad; sin embargo, una problemática que crece de manera preocupante es el surgimiento de cepas que presentan resistencia a uno o varios fármacos existentes. Las resistencias se presentan por diferentes causas donde la principal responde a los deficiencias en tratamientos a la enfermedad, así como por transmisión de cepas resistentes[2]. En este documento se presenta un proyecto de investigación planteado desde el área de la 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 tuberculosis. Se busca plantear y comparar modelos de predicción de valores de pIC50 (escala 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, tomando como punto de partida la estructura molecular de compuestos químicos ya conocidos. Para ello se caracterizan con los datos provenientes de la base ChEMBL[3] y que tengan como proteína objetivo las proteínas N-Acetiltransferasa codificada por el gen eis, la ATP sintentasa subunidad c codificada por el gen atpE y por la Subunidad beta de ARN polimerasa dirigida por ADN codificada por el gen rpoB. Se esocogen estas proteínas dado que en ellas se presenta la resistencia a ciertos fármacos bactericidas de segunda y tercera línea. A cada compuesto se le calculan descriptores relacionados con la ley de lipinski: el peso molecular (MW), número de donadores de enlaces por puentes de hidrógeno (NumHDonnors), número de aceptores de enlaces por puentes de hidrógeno (NumHAcceptors) y el coeficinente de reparto octanol/agua (LogP); de igual manera se calcula una huella que cuenta con 881 descriptores que junto con los cuatro ya mencionados, se toman como la entrada de los modelos de regresión a plantear y los valores de pIC50 conocidos se toman como salida. Lo anterior corresponde al conjunto de entrenamiento con el que se generan diferentes modelos de regresión para esta predicción del pIC50. Para finalizar se comparan las características de funcionamiento de los modelos para así establecer los más adecuados para la problemática.
Etiquetas de esta biblioteca: No hay etiquetas de esta biblioteca para este título. Ingresar para agregar etiquetas.
    Valoración media: 0.0 (0 votos)
Tipo de ítem Ubicación actual Colección Signatura Info Vol Copia número Estado Fecha de vencimiento Código de barras Reserva de ítems
TRABAJOS DE GRADO TRABAJOS DE GRADO Biblioteca Jorge Álvarez Lleras
Fondo general
Digital 610.28 H888a (Navegar estantería) Ej.1 1 Disponible D002148
Total de reservas: 0

Tesis (Ingeniero Biomédico)

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
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
de atacar a la bacteria de diferente manera y magnitud según la gravedad de la enfermedad;
sin embargo, una problemática que crece de manera preocupante es el surgimiento de cepas
que presentan resistencia a uno o varios fármacos existentes. Las resistencias se presentan por
diferentes causas donde la principal responde a los deficiencias en tratamientos a la enfermedad, así como por transmisión de cepas resistentes[2].
En este documento se presenta un proyecto de investigación planteado desde el área de la
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
tuberculosis. Se busca plantear y comparar modelos de predicción de valores de pIC50 (escala
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,
tomando como punto de partida la estructura molecular de compuestos químicos ya conocidos.
Para ello se caracterizan con los datos provenientes de la base ChEMBL[3] y que tengan como
proteína objetivo las proteínas N-Acetiltransferasa codificada por el gen eis, la ATP sintentasa
subunidad c codificada por el gen atpE y por la Subunidad beta de ARN polimerasa dirigida
por ADN codificada por el gen rpoB. Se esocogen estas proteínas dado que en ellas se presenta
la resistencia a ciertos fármacos bactericidas de segunda y tercera línea. A cada compuesto se
le calculan descriptores relacionados con la ley de lipinski: el peso molecular (MW), número
de donadores de enlaces por puentes de hidrógeno (NumHDonnors), número de aceptores de
enlaces por puentes de hidrógeno (NumHAcceptors) y el coeficinente de reparto octanol/agua
(LogP); de igual manera se calcula una huella que cuenta con 881 descriptores que junto con
los cuatro ya mencionados, se toman como la entrada de los modelos de regresión a plantear y
los valores de pIC50 conocidos se toman como salida. Lo anterior corresponde al conjunto de
entrenamiento con el que se generan diferentes modelos de regresión para esta predicción del
pIC50. Para finalizar se comparan las características de funcionamiento de los modelos para
así establecer los más adecuados para la problemática.

No hay comentarios en este titulo.

para colocar un comentario.

Haga clic en una imagen para verla en el visor de imágenes