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
- Institución
- Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
- OAI Identificador
- seminario:seminario_nCOM000474_LetoMera
Ver los metadatos del registro completo
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 |