UA-61751701-2

Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery
    • español
    • English
EscuelaIng
  • English 
    • español
    • English
  • Login
  • Inicio
  • Guías de Uso
    • Directrices
    • Procedimientos de Trabajo de Grado
    • Guía de Autoarchivo
    • Formato de Autorización para Publicación
  • Navegar
    • Comunidades
    • Autores
    • Títulos
    • Fechas
    • Materias
    • Tipo de Material
  • Investigadores
  • Organizaciones
  • Proyectos

Repositorio Digital

  • Comunities Comunities
  • Authors Authors
  • Titles Titles
  • Dates Dates
  • Subjects Subjects
  • Resource Type Resource Type
View Item 
  •   DSpace Home
  • 1- Tesis de Grado y Trabajos Dirigidos
  • B - Ingeniería Biomédica
  • BA - Trabajos Dirigidos de Biomédica
  • View Item
  •   DSpace Home
  • 1- Tesis de Grado y Trabajos Dirigidos
  • B - Ingeniería Biomédica
  • BA - Trabajos Dirigidos de Biomédica
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Cambiar vista

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsResource TypeThis CollectionBy Issue DateAuthorsTitlesSubjectsResource Type

My Account

LoginRegister

Statistics

View Usage Statistics

Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery


Hueza Echeverri, Mateo

Orjuela Cañón, Ávaro David
Jutínico Alarcón, Andrés Leonardo

Trabajo de grado - Pregrado

2022

Ingeniería Biomédica

Aprendizaje automático - TuberculosisBuscar en Repositorio UMECIT
BioinformaticaBuscar en Repositorio UMECIT
Ingeniería biomédicaBuscar en Repositorio UMECIT
bioinformáticaBuscar en Repositorio UMECIT
Aprendizaje automático - TuberculosisBuscar en Repositorio UMECIT
Ingeniería biomédicaBuscar en Repositorio UMECIT
Biomedical engineeringBuscar en Repositorio UMECIT

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.
 
This document presents a research project proposed from the area of ​​bioinformatics, which seeks to provide a solution to the current problem of drug resistance in three proteins present in resistant strains of the bacterial species Mycobacterium tuberculosis. The aim is to propose and compare prediction models for pIC50 values ​​(logarithmic scale of IC50), which refers to the concentration of the drug necessary to reduce protein activity by 50%. This prediction will serve for new drugs, taking as a starting point the molecular structure of already known chemical compounds. To do this, they are characterized with the data from the ChEMBL[3] database and that have as their target protein the N-Acetyltransferase proteins encoded by the eis gene, the ATP synthetase subunit c encoded by the atpE gene and by the RNA polymerase beta subunit directed by DNA encoded by the rpoB gene. These proteins are chosen because they show resistance to certain second- and third-line bactericidal drugs. Descriptors related to Lipinski's law are calculated for each compound: molecular weight (MW), number of hydrogen bond donors (NumHDonnors), number of hydrogen bond acceptors (NumHAcceptors) and the coefficient of octanol/water partition (LogP); In the same way, a fingerprint is calculated that has 881 descriptors that, together with the four already mentioned, are taken as the input of the regression models to be proposed and the known pIC50 values ​​are taken as output. The above corresponds to the training set with which different regression models are generated for this pIC50 prediction. Finally, the operating characteristics of the models are compared in order to establish the most appropriate for the problem.
 

https://repositorio.escuelaing.edu.co/handle/001/2095

  • BA - Trabajos Dirigidos de Biomédica [187]

Descripción: Final.pdf
Título: Final.pdf
Tamaño: 493.2Kb

Unicordoba LogoPDFOpen AccessFLIPLEER EN FLIP

Descripción: Autorización de publicación tesis.pdf
Título: Autorización de publicación tesis.pdf
Tamaño: 453.6Kb

Unicordoba LogoPDFOpen AccessFLIPLEER EN FLIP

Show full item record

Cita

Cómo citar

Cómo citar

Miniatura

Thumbnail

Gestores Bibliográficos

Exportar a Bibtex

Exportar a RIS

Exportar a Excel

Buscar en google Schoolar

Buscar en microsoft academic

untranslated

Código QR

Envíos recientes

    No hay artículos recientes

Oferta académica

Carreras profesionales

Especializaciones

Maestrías

Doctorado

Nustros Campus

Introducción al campus

Tecnología

Fortalezas

Premios y reconocimientos

Flora y fauna

Visita el campus

Internacionalización

Programas y alianzas

Movilidad

Sobre la Escuela y Bogotá

Convenios internacionales, nacionales y con colegios

Ayuda

PQRSFC

Centro de Ayuda

Contáctenos

Habeas Data

Centro de Servicios Tecnológicos

Directorio Escuela

acriditación institucional
icoMaps

AK. 45 No. 205 - 59, Autopista Norte.

PBX: +57(1) 668 3600 - Bogotá.

Línea nacional gratuita:

018000112668.

Sistema DSPACE - Metabiblioteca | logo