Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicos

Autores
Leto Mera, Francisco
Año de publicación
2017
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Radusky, Leandro Gabriel
Martí, Marcelo Adrián
Descripción
En el presente trabajo de tesis, abordamos el problema de generación de conjuntos de moléculas pequeñas que puedan comportarse como ligandos acoplándose a una proteína de interés. En la actualidad las bases de datos de moléculas poseen millones de compuestos y poder seleccionar subconjuntos que posean verdaderos ligandos es un problema relevante para la comunidad.Para lograr nuestro objetivo, tomamos como punto de partida una herramienta preexistente denominada LigQ. Esta herramienta permite calcular, dada una proteína como entrada, conjuntos de moléculas candidatas a ser ligandos de la misma, es decir, que puede acoplarse a ella modulando o inhibiendo su actividad. En este trabajo, atacamos específicamente el problema de vincular las propiedades conocidas sobre el sitio de unión en la proteína estudiada con las propiedades de los ligandos candidatos. Las propiedades serán por lo general valores fisicoquímicos, morfológicos y topológicos calculados o conocidos experimentalmente. Para vincular estas propiedades de manera optimal, utilizaremos técnicas de aprendizaje automático y redes neuronales, de manera de enriquecer los conjuntos que la herramienta LigQ presenta, estableciendo una valoración de los compuestos obtenidos en base a los parámetros calculados como óptimos para que una molécula se acople eficientemente a nuestra proteína de interés.
In the present thesis work, we approached the problem of generating a set of small molecules that could be behave as ligands coupling to a protein of interest. Current molecules databases are composed of millions of records and to select subsets containing true lingands is a relevant problem for the community.To accomplish our goal, we based our work on a preexistent tool called LigQ. This tool allows to compute, given a target protein as input, sets of molecules that are candidate to be ligands (molecules that can bind the protein, modulating or inhibiting its activity). In this work we attacked the problem of linking the known properties of the studied protein’s binding site with the properties of the candidate ligands. This properties are physicochemical, morphologic and topologic values, computed or experimentally known. To link this properties in an optimal way, we used machine learning and neural networks techniques, with the aim to enrich the output sets given by the LigQ tool, establishing an assessment of the obtained compounds based on the parameters computed as optimum for a molecule to bind our interes protein.
Fil: Leto Mera, Francisco. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Materia
BIOINFORMATICA
QUIMIOINFORMATICA
BIOLOGIA COMPUTACIONAL
REDES NEURONALES
APRENDIZAJE AUTOMATICO
BIOINFORMATICS
CHEMINFORMATICS
COMPUTATIONAL BIOLOGY
NEURAL NETWORKS
MACHINE LEARNING
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nCOM000474_LetoMera

id BDUBAFCEN_b1e1844554c8ac194c6933e08bd4e974
oai_identifier_str seminario:seminario_nCOM000474_LetoMera
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicosMachine learning for potential ligands prediction on new protein tragetsLeto Mera, FranciscoBIOINFORMATICAQUIMIOINFORMATICABIOLOGIA COMPUTACIONALREDES NEURONALESAPRENDIZAJE AUTOMATICOBIOINFORMATICSCHEMINFORMATICSCOMPUTATIONAL BIOLOGYNEURAL NETWORKSMACHINE LEARNINGEn el presente trabajo de tesis, abordamos el problema de generación de conjuntos de moléculas pequeñas que puedan comportarse como ligandos acoplándose a una proteína de interés. En la actualidad las bases de datos de moléculas poseen millones de compuestos y poder seleccionar subconjuntos que posean verdaderos ligandos es un problema relevante para la comunidad.Para lograr nuestro objetivo, tomamos como punto de partida una herramienta preexistente denominada LigQ. Esta herramienta permite calcular, dada una proteína como entrada, conjuntos de moléculas candidatas a ser ligandos de la misma, es decir, que puede acoplarse a ella modulando o inhibiendo su actividad. En este trabajo, atacamos específicamente el problema de vincular las propiedades conocidas sobre el sitio de unión en la proteína estudiada con las propiedades de los ligandos candidatos. Las propiedades serán por lo general valores fisicoquímicos, morfológicos y topológicos calculados o conocidos experimentalmente. Para vincular estas propiedades de manera optimal, utilizaremos técnicas de aprendizaje automático y redes neuronales, de manera de enriquecer los conjuntos que la herramienta LigQ presenta, estableciendo una valoración de los compuestos obtenidos en base a los parámetros calculados como óptimos para que una molécula se acople eficientemente a nuestra proteína de interés.In the present thesis work, we approached the problem of generating a set of small molecules that could be behave as ligands coupling to a protein of interest. Current molecules databases are composed of millions of records and to select subsets containing true lingands is a relevant problem for the community.To accomplish our goal, we based our work on a preexistent tool called LigQ. This tool allows to compute, given a target protein as input, sets of molecules that are candidate to be ligands (molecules that can bind the protein, modulating or inhibiting its activity). In this work we attacked the problem of linking the known properties of the studied protein’s binding site with the properties of the candidate ligands. This properties are physicochemical, morphologic and topologic values, computed or experimentally known. To link this properties in an optimal way, we used machine learning and neural networks techniques, with the aim to enrich the output sets given by the LigQ tool, establishing an assessment of the obtained compounds based on the parameters computed as optimum for a molecule to bind our interes protein.Fil: Leto Mera, Francisco. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesRadusky, Leandro GabrielMartí, Marcelo Adrián2017-06-08info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nCOM000474_LetoMeraspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-29T13:43:34Zseminario:seminario_nCOM000474_LetoMeraInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:43:35.578Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicos
Machine learning for potential ligands prediction on new protein tragets
title Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicos
spellingShingle Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicos
Leto Mera, Francisco
BIOINFORMATICA
QUIMIOINFORMATICA
BIOLOGIA COMPUTACIONAL
REDES NEURONALES
APRENDIZAJE AUTOMATICO
BIOINFORMATICS
CHEMINFORMATICS
COMPUTATIONAL BIOLOGY
NEURAL NETWORKS
MACHINE LEARNING
title_short Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicos
title_full Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicos
title_fullStr Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicos
title_full_unstemmed Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicos
title_sort Aprendizaje automático para la predicción de potenciales ligandos frente a nuevos blancos proteicos
dc.creator.none.fl_str_mv Leto Mera, Francisco
author Leto Mera, Francisco
author_facet Leto Mera, Francisco
author_role author
dc.contributor.none.fl_str_mv Radusky, Leandro Gabriel
Martí, Marcelo Adrián
dc.subject.none.fl_str_mv BIOINFORMATICA
QUIMIOINFORMATICA
BIOLOGIA COMPUTACIONAL
REDES NEURONALES
APRENDIZAJE AUTOMATICO
BIOINFORMATICS
CHEMINFORMATICS
COMPUTATIONAL BIOLOGY
NEURAL NETWORKS
MACHINE LEARNING
topic BIOINFORMATICA
QUIMIOINFORMATICA
BIOLOGIA COMPUTACIONAL
REDES NEURONALES
APRENDIZAJE AUTOMATICO
BIOINFORMATICS
CHEMINFORMATICS
COMPUTATIONAL BIOLOGY
NEURAL NETWORKS
MACHINE LEARNING
dc.description.none.fl_txt_mv En el presente trabajo de tesis, abordamos el problema de generación de conjuntos de moléculas pequeñas que puedan comportarse como ligandos acoplándose a una proteína de interés. En la actualidad las bases de datos de moléculas poseen millones de compuestos y poder seleccionar subconjuntos que posean verdaderos ligandos es un problema relevante para la comunidad.Para lograr nuestro objetivo, tomamos como punto de partida una herramienta preexistente denominada LigQ. Esta herramienta permite calcular, dada una proteína como entrada, conjuntos de moléculas candidatas a ser ligandos de la misma, es decir, que puede acoplarse a ella modulando o inhibiendo su actividad. En este trabajo, atacamos específicamente el problema de vincular las propiedades conocidas sobre el sitio de unión en la proteína estudiada con las propiedades de los ligandos candidatos. Las propiedades serán por lo general valores fisicoquímicos, morfológicos y topológicos calculados o conocidos experimentalmente. Para vincular estas propiedades de manera optimal, utilizaremos técnicas de aprendizaje automático y redes neuronales, de manera de enriquecer los conjuntos que la herramienta LigQ presenta, estableciendo una valoración de los compuestos obtenidos en base a los parámetros calculados como óptimos para que una molécula se acople eficientemente a nuestra proteína de interés.
In the present thesis work, we approached the problem of generating a set of small molecules that could be behave as ligands coupling to a protein of interest. Current molecules databases are composed of millions of records and to select subsets containing true lingands is a relevant problem for the community.To accomplish our goal, we based our work on a preexistent tool called LigQ. This tool allows to compute, given a target protein as input, sets of molecules that are candidate to be ligands (molecules that can bind the protein, modulating or inhibiting its activity). In this work we attacked the problem of linking the known properties of the studied protein’s binding site with the properties of the candidate ligands. This properties are physicochemical, morphologic and topologic values, computed or experimentally known. To link this properties in an optimal way, we used machine learning and neural networks techniques, with the aim to enrich the output sets given by the LigQ tool, establishing an assessment of the obtained compounds based on the parameters computed as optimum for a molecule to bind our interes protein.
Fil: Leto Mera, Francisco. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description En el presente trabajo de tesis, abordamos el problema de generación de conjuntos de moléculas pequeñas que puedan comportarse como ligandos acoplándose a una proteína de interés. En la actualidad las bases de datos de moléculas poseen millones de compuestos y poder seleccionar subconjuntos que posean verdaderos ligandos es un problema relevante para la comunidad.Para lograr nuestro objetivo, tomamos como punto de partida una herramienta preexistente denominada LigQ. Esta herramienta permite calcular, dada una proteína como entrada, conjuntos de moléculas candidatas a ser ligandos de la misma, es decir, que puede acoplarse a ella modulando o inhibiendo su actividad. En este trabajo, atacamos específicamente el problema de vincular las propiedades conocidas sobre el sitio de unión en la proteína estudiada con las propiedades de los ligandos candidatos. Las propiedades serán por lo general valores fisicoquímicos, morfológicos y topológicos calculados o conocidos experimentalmente. Para vincular estas propiedades de manera optimal, utilizaremos técnicas de aprendizaje automático y redes neuronales, de manera de enriquecer los conjuntos que la herramienta LigQ presenta, estableciendo una valoración de los compuestos obtenidos en base a los parámetros calculados como óptimos para que una molécula se acople eficientemente a nuestra proteína de interés.
publishDate 2017
dc.date.none.fl_str_mv 2017-06-08
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/seminario_nCOM000474_LetoMera
url https://hdl.handle.net/20.500.12110/seminario_nCOM000474_LetoMera
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1844618754146697216
score 13.070432