Predicción de actividad inhibitoria de moléculas pequeñas sobre el receptor serotoninérgico 5 HT2 A mediante modelos de machine learning
El presente trabajo se engloba dentro del campo de las ciencias de la computación y su aplicación en las ciencias de la salud, específicamente en el desarrollo de modelos de aprendizaje automático (machine learning) que permitan predecir la actividad de moléculas pequeñas sobre el receptor serotonin...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2020 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/120986 |
| Acceso en línea: | http://hdl.handle.net/10609/120986 |
| Access Level: | acceso abierto |
| Palabra clave: | predicción ki receptores serotoninérgicos serotoninergic receptors prediction predicció receptors serotoninèrgics Bioinformatics -- TFM Bioinformàtica -- TFM Bioinformatica -- TFM |
| Sumario: | El presente trabajo se engloba dentro del campo de las ciencias de la computación y su aplicación en las ciencias de la salud, específicamente en el desarrollo de modelos de aprendizaje automático (machine learning) que permitan predecir la actividad de moléculas pequeñas sobre el receptor serotoninérgico 5-HT2A. Este receptor se asocia a patologías psiquiátricas ya conocidas, para las cuales existe tratamiento con moléculas pequeñas que lo inhiben, pero con frecuentes efectos adversos. Se prueban algoritmos tanto de clasificación como de regresión, para comprobar cuáles podrían tener una capacidad de predicción mejor sobre la constante de inhibición, Ki, y poder realizar un cribado computacional sobre grupos de moléculas pequeñas que pudieran suponer una alternativa terapéutica. Los hallazgos sugieren que, a partir de un conjunto de datos cribado y balanceado, los algoritmos de clasificación tienen, en general, muy buena capacidad de predicción de la actividad (activa o inactiva) de las moléculas pequeñas sobre este receptor 5-HT2A. El mejor algoritmo es el SVM, con una exactitud y precisión por encima del 93%. Los algoritmos de tipo regresión no resultan útiles para predecir la actividad. Para ambos casos, será necesario reproducir estudios similares sobre este receptor, con diferente procedencia de los datos y otros algoritmos o diferente configuración de sus hiperparámetros, para poder inferir un conocimiento más robusto. |
|---|