Desarrollo de un sistema de Machine Learning para obtener modelos de unión a factores de transcripción en datos ChIP-seq
Este trabajo tiene como objetivo obtener un modelo predictivo capaz de identificar las regiones en las que un Factor de Transcripción (FT) se acoplará al ADN. Los datos empleados son extraídos a partir de los resultados de la técnica de ChIP-seq. Dicha técnica es capaz de reconocer las secuencias en...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Recursos: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/133102 |
| Acesso em linha: | http://hdl.handle.net/10609/133102 |
| Access Level: | acceso abierto |
| Palavra-chave: | protein binding machine learning transcription factor unió a proteïnes aprenentatge automàtic factor de transcripció unión a proteínas aprendizaje automático factor de transcripción Bioinformatics -- TFM Bioinformàtica -- TFM Bioinformática -- TFM |
| Resumo: | Este trabajo tiene como objetivo obtener un modelo predictivo capaz de identificar las regiones en las que un Factor de Transcripción (FT) se acoplará al ADN. Los datos empleados son extraídos a partir de los resultados de la técnica de ChIP-seq. Dicha técnica es capaz de reconocer las secuencias en las que estos FTs se han acoplado. Identificar la secuencia exacta a la que los FTs se han unido es una tarea difícil en ciertas condiciones moleculares. Técnicas computacionales basadas en Machine Learning (ML), una rama dentro de la Inteligencia Artificial que centra sus esfuerzos en el desarrollo de modelos predictivos es considerada una herramienta analítica útil para este tipo de problemas. Estas técnicas son capaces de extraer los patrones no lineales de los datos a partir de un gran conjunto de ejemplos. Además, trabajos previos han desarrollado descriptores matemáticos capaces de convertir la secuencia primaria de ADN en matrices de datos numéricos, facilitando en gran medida el uso de algoritmos de ML. En este proyecto se presenta un conjunto de modelos que han sido entrenados para la predicción de las regiones de unión del FT Gcra en la especie bacteriana Brevundimonas subvibrioides. Los resultados aquí presentados muestran un alto rendimiento en la predicción de estas regiones gracias al uso de descriptores tanto estructurales como de composición del ADN. |
|---|