Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos

Autores
Gerard, Matías; Di Persia, Leandro
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La búsqueda de vías metabólicas tiene como objetivo encontrar secuencias de reacciones que permitan transformar un sustrato dado en un producto de interés. Esta tarea puede abordarse como un problema de búsqueda en grafos, usando la estructura molecular de los compuestos y una medida de similaridad entre las estructuras para guiar la búsqueda. Sin embargo, los enfoques basados en esta idea resultan inútiles cuando se carece de la estructura, lo que impide calcular la similaridad. Por su parte, las redes neuronales en grafos han demostrado ser de gran utilidad como extractores de características en datos con estructuras no-euclideanas. Aquí presentamos un modelo neuronal basado en grafos, capaz de aprender representaciones de los compuestos a partir de características simples y de la topología de la red que los conecta. Estas características son luego empleadas para inferir la similaridad, sin que sea necesaria la estructura de los mismos en el proceso. Los resultados muestran que el modelo infiere correctamente la similaridad entre compuestos con estructura conocida, y genera estimaciones razonables para compuestos con estructura desconocida.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Redes neuronales en grafos
Vías metabólicas
Similaridad entre compuestos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/140239

id SEDICI_c4911399c4d04f47961f8cc0dac4b9f1
oai_identifier_str oai:sedici.unlp.edu.ar:10915/140239
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestosGerard, MatíasDi Persia, LeandroCiencias InformáticasRedes neuronales en grafosVías metabólicasSimilaridad entre compuestosLa búsqueda de vías metabólicas tiene como objetivo encontrar secuencias de reacciones que permitan transformar un sustrato dado en un producto de interés. Esta tarea puede abordarse como un problema de búsqueda en grafos, usando la estructura molecular de los compuestos y una medida de similaridad entre las estructuras para guiar la búsqueda. Sin embargo, los enfoques basados en esta idea resultan inútiles cuando se carece de la estructura, lo que impide calcular la similaridad. Por su parte, las redes neuronales en grafos han demostrado ser de gran utilidad como extractores de características en datos con estructuras no-euclideanas. Aquí presentamos un modelo neuronal basado en grafos, capaz de aprender representaciones de los compuestos a partir de características simples y de la topología de la red que los conecta. Estas características son luego empleadas para inferir la similaridad, sin que sea necesaria la estructura de los mismos en el proceso. Los resultados muestran que el modelo infiere correctamente la similaridad entre compuestos con estructura conocida, y genera estimaciones razonables para compuestos con estructura desconocida.Sociedad Argentina de Informática e Investigación Operativa2021-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf39-52http://sedici.unlp.edu.ar/handle/10915/140239spainfo:eu-repo/semantics/altIdentifier/url/http://50jaiio.sadio.org.ar/pdfs/asai/ASAI-05.pdfinfo:eu-repo/semantics/altIdentifier/issn/2451-7585info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:35:34Zoai:sedici.unlp.edu.ar:10915/140239Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:35:35.205SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
spellingShingle Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
Gerard, Matías
Ciencias Informáticas
Redes neuronales en grafos
Vías metabólicas
Similaridad entre compuestos
title_short Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title_full Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title_fullStr Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title_full_unstemmed Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title_sort Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
dc.creator.none.fl_str_mv Gerard, Matías
Di Persia, Leandro
author Gerard, Matías
author_facet Gerard, Matías
Di Persia, Leandro
author_role author
author2 Di Persia, Leandro
author2_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Redes neuronales en grafos
Vías metabólicas
Similaridad entre compuestos
topic Ciencias Informáticas
Redes neuronales en grafos
Vías metabólicas
Similaridad entre compuestos
dc.description.none.fl_txt_mv La búsqueda de vías metabólicas tiene como objetivo encontrar secuencias de reacciones que permitan transformar un sustrato dado en un producto de interés. Esta tarea puede abordarse como un problema de búsqueda en grafos, usando la estructura molecular de los compuestos y una medida de similaridad entre las estructuras para guiar la búsqueda. Sin embargo, los enfoques basados en esta idea resultan inútiles cuando se carece de la estructura, lo que impide calcular la similaridad. Por su parte, las redes neuronales en grafos han demostrado ser de gran utilidad como extractores de características en datos con estructuras no-euclideanas. Aquí presentamos un modelo neuronal basado en grafos, capaz de aprender representaciones de los compuestos a partir de características simples y de la topología de la red que los conecta. Estas características son luego empleadas para inferir la similaridad, sin que sea necesaria la estructura de los mismos en el proceso. Los resultados muestran que el modelo infiere correctamente la similaridad entre compuestos con estructura conocida, y genera estimaciones razonables para compuestos con estructura desconocida.
Sociedad Argentina de Informática e Investigación Operativa
description La búsqueda de vías metabólicas tiene como objetivo encontrar secuencias de reacciones que permitan transformar un sustrato dado en un producto de interés. Esta tarea puede abordarse como un problema de búsqueda en grafos, usando la estructura molecular de los compuestos y una medida de similaridad entre las estructuras para guiar la búsqueda. Sin embargo, los enfoques basados en esta idea resultan inútiles cuando se carece de la estructura, lo que impide calcular la similaridad. Por su parte, las redes neuronales en grafos han demostrado ser de gran utilidad como extractores de características en datos con estructuras no-euclideanas. Aquí presentamos un modelo neuronal basado en grafos, capaz de aprender representaciones de los compuestos a partir de características simples y de la topología de la red que los conecta. Estas características son luego empleadas para inferir la similaridad, sin que sea necesaria la estructura de los mismos en el proceso. Los resultados muestran que el modelo infiere correctamente la similaridad entre compuestos con estructura conocida, y genera estimaciones razonables para compuestos con estructura desconocida.
publishDate 2021
dc.date.none.fl_str_mv 2021-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/140239
url http://sedici.unlp.edu.ar/handle/10915/140239
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://50jaiio.sadio.org.ar/pdfs/asai/ASAI-05.pdf
info:eu-repo/semantics/altIdentifier/issn/2451-7585
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
39-52
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616234788716544
score 13.070432