Mostrar el registro sencillo del ítem

dc.contributor.authorOrjuela Canon, Alvaro David
dc.contributor.authorPerdomo Charry, Oscar Julian
dc.date.accessioned2021-05-24T17:48:41Z
dc.date.accessioned2021-10-01T17:16:51Z
dc.date.available2021-05-24
dc.date.available2021-10-01T17:16:51Z
dc.date.issued2020
dc.identifier.issn0277-786X
dc.identifier.urihttps://repositorio.escuelaing.edu.co/handle/001/1471
dc.description.abstractCurrently, cancer is the leading cause of death worldwide, making millions of deaths annually in developing countries due to a shortage of detection and treatment. Early detection of cancer neoantigens is useful for specialists because they can help in the development of more successful treatments. Based on this problem, the objective of this work is to carry out a comparative process between machine learning models, to determine which of them allows an adequate prediction of the data, and thus determine the carcinogenic neoantigens. For this, information extracted from protein sequences was employed. The preliminary results show sensitivity and specificity of 1.0 and 0.98 respectively.eng
dc.description.abstractEn la actualidad, el cáncer es la principal causa de muerte en todo el mundo y provoca millones de fallecimientos anuales en los países en desarrollo debido a la escasez de detección y tratamiento. La detección temprana de los neoantígenos del cáncer es útil para los especialistas, ya que pueden ayudar en el desarrollo de tratamientos más exitosos. Partiendo de esta problemática, el objetivo de este trabajo es realizar un proceso comparativo entre modelos de aprendizaje automático, para determinar cuál de ellos permite una adecuada predicción de los datos, y así determinar los neoantígenos cancerígenos. Para ello, se empleó la información extraída de las secuencias de proteínas. Los resultados preliminares muestran una sensibilidad y especificidad de 1,0 y 0,98 respectivamente.spa
dc.format.mimetypeapplication/pdfspa
dc.language.isoengspa
dc.publisherSPIEspa
dc.sourcehttps://www.spiedigitallibrary.org/conference-proceedings-of-spie/11583/2579602/Comparison-of-machine-learning-models-for-the-prediction-of-cancer/10.1117/12.2579602.short?SSO=1&tab=ArticleLinkCitedspa
dc.titleComparison of machine learning models for the prediction of cancer cells using MHC class I complexesspa
dc.typeArtículo de revistaspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
oaire.accessrightshttp://purl.org/coar/access_right/c_14cbspa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.contributor.researchgroupGiBiomespa
dc.identifier.doi10.1117/12.2579602
dc.identifier.urlhttps://doi.org/10.1117/12.2579602
dc.publisher.placeEstados Unidosspa
dc.relation.citationendpage8spa
dc.relation.citationstartpage1spa
dc.relation.citationvolume11583spa
dc.relation.indexedN/Aspa
dc.relation.ispartofjournalProceedings Of Spie, The International Society For Optical Engineeringspa
dc.rights.accessrightsinfo:eu-repo/semantics/closedAccessspa
dc.subject.armarcModelos - Aprendizaje automático
dc.subject.armarcCélulas cancerosas
dc.subject.armarcPredictive analyticseng
dc.subject.armarcAnálisis predictivospa
dc.subject.armarcAnálisis predictivospa
dc.type.coarhttp://purl.org/coar/resource_type/c_2df8fbb1spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTspa


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

  • AA. Gibiome [38]
    Clasificación: A - Convocatoria 2018

Mostrar el registro sencillo del ítem