Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva

Autores
Hermann, Tobías J.; Vignolo, Leandro D.; Gerard, Matias F.
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El concepto de similaridad molecular es fundamental para la bioinformática. Sin embargo, calcular la similaridad entre compuestos cuando se desconoce la estructura de alguno de ellos resulta un desafío. Los modelos neuronales en grafos han demostrado eficacia para extraer representaciones a partir de la topología de reacciones químicas. Sin embargo, su diseño y principalmente la elección de hiperparámetros implican evaluar un vasto espacio de posibilidades. Los algoritmos evolutivos surgen como una alternative natural para explorar grandes espacios de búsqueda, como es el caso del espacio de hiperparámetros asociados a las arquitecturas neuronales. Este trabajo propone comparar un el uso de un enfoque clásico de búsqueda de hiperparámetros mediante conocimiento experto frente a una propuesta bioinspirada basada en computación evolutiva para la misma tarea, particularmente en el contexto de estimación de similaridad entre compuestos. Partiendo de una arquitectura predefinida se comparan experimental ambas propuestas y se evalúan en diferentes conjuntos de datos. Los resultados muestran que el enfoque basado en computación evolutiva permite encontrar hiperparámetros adecuados para la arquitectura considerada que permiten alcanzar un desempeño comparable al enfoque basado en conocimiento experto, con la diferencia de no ser necesario el conocimiento humano para esta selección.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Redes neuronales en grafo
Computación evolutiva
Similaridad entre compuesto
Vías metabólicas
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:10915/177178

id SEDICI_f8998cb33dd6ece73ef3d6048f3bf382
oai_identifier_str oai:sedici.unlp.edu.ar:10915/177178
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutivaHermann, Tobías J.Vignolo, Leandro D.Gerard, Matias F.Ciencias InformáticasRedes neuronales en grafoComputación evolutivaSimilaridad entre compuestoVías metabólicasEl concepto de similaridad molecular es fundamental para la bioinformática. Sin embargo, calcular la similaridad entre compuestos cuando se desconoce la estructura de alguno de ellos resulta un desafío. Los modelos neuronales en grafos han demostrado eficacia para extraer representaciones a partir de la topología de reacciones químicas. Sin embargo, su diseño y principalmente la elección de hiperparámetros implican evaluar un vasto espacio de posibilidades. Los algoritmos evolutivos surgen como una alternative natural para explorar grandes espacios de búsqueda, como es el caso del espacio de hiperparámetros asociados a las arquitecturas neuronales. Este trabajo propone comparar un el uso de un enfoque clásico de búsqueda de hiperparámetros mediante conocimiento experto frente a una propuesta bioinspirada basada en computación evolutiva para la misma tarea, particularmente en el contexto de estimación de similaridad entre compuestos. Partiendo de una arquitectura predefinida se comparan experimental ambas propuestas y se evalúan en diferentes conjuntos de datos. Los resultados muestran que el enfoque basado en computación evolutiva permite encontrar hiperparámetros adecuados para la arquitectura considerada que permiten alcanzar un desempeño comparable al enfoque basado en conocimiento experto, con la diferencia de no ser necesario el conocimiento humano para esta selección.Sociedad Argentina de Informática e Investigación Operativa2024-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf74-87http://sedici.unlp.edu.ar/handle/10915/177178spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/17920info:eu-repo/semantics/altIdentifier/issn/2451-7496info: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:UNLP2025-09-29T11:47:49Zoai:sedici.unlp.edu.ar:10915/177178Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:47:49.505SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
title Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
spellingShingle Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
Hermann, Tobías J.
Ciencias Informáticas
Redes neuronales en grafo
Computación evolutiva
Similaridad entre compuesto
Vías metabólicas
title_short Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
title_full Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
title_fullStr Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
title_full_unstemmed Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
title_sort Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
dc.creator.none.fl_str_mv Hermann, Tobías J.
Vignolo, Leandro D.
Gerard, Matias F.
author Hermann, Tobías J.
author_facet Hermann, Tobías J.
Vignolo, Leandro D.
Gerard, Matias F.
author_role author
author2 Vignolo, Leandro D.
Gerard, Matias F.
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Redes neuronales en grafo
Computación evolutiva
Similaridad entre compuesto
Vías metabólicas
topic Ciencias Informáticas
Redes neuronales en grafo
Computación evolutiva
Similaridad entre compuesto
Vías metabólicas
dc.description.none.fl_txt_mv El concepto de similaridad molecular es fundamental para la bioinformática. Sin embargo, calcular la similaridad entre compuestos cuando se desconoce la estructura de alguno de ellos resulta un desafío. Los modelos neuronales en grafos han demostrado eficacia para extraer representaciones a partir de la topología de reacciones químicas. Sin embargo, su diseño y principalmente la elección de hiperparámetros implican evaluar un vasto espacio de posibilidades. Los algoritmos evolutivos surgen como una alternative natural para explorar grandes espacios de búsqueda, como es el caso del espacio de hiperparámetros asociados a las arquitecturas neuronales. Este trabajo propone comparar un el uso de un enfoque clásico de búsqueda de hiperparámetros mediante conocimiento experto frente a una propuesta bioinspirada basada en computación evolutiva para la misma tarea, particularmente en el contexto de estimación de similaridad entre compuestos. Partiendo de una arquitectura predefinida se comparan experimental ambas propuestas y se evalúan en diferentes conjuntos de datos. Los resultados muestran que el enfoque basado en computación evolutiva permite encontrar hiperparámetros adecuados para la arquitectura considerada que permiten alcanzar un desempeño comparable al enfoque basado en conocimiento experto, con la diferencia de no ser necesario el conocimiento humano para esta selección.
Sociedad Argentina de Informática e Investigación Operativa
description El concepto de similaridad molecular es fundamental para la bioinformática. Sin embargo, calcular la similaridad entre compuestos cuando se desconoce la estructura de alguno de ellos resulta un desafío. Los modelos neuronales en grafos han demostrado eficacia para extraer representaciones a partir de la topología de reacciones químicas. Sin embargo, su diseño y principalmente la elección de hiperparámetros implican evaluar un vasto espacio de posibilidades. Los algoritmos evolutivos surgen como una alternative natural para explorar grandes espacios de búsqueda, como es el caso del espacio de hiperparámetros asociados a las arquitecturas neuronales. Este trabajo propone comparar un el uso de un enfoque clásico de búsqueda de hiperparámetros mediante conocimiento experto frente a una propuesta bioinspirada basada en computación evolutiva para la misma tarea, particularmente en el contexto de estimación de similaridad entre compuestos. Partiendo de una arquitectura predefinida se comparan experimental ambas propuestas y se evalúan en diferentes conjuntos de datos. Los resultados muestran que el enfoque basado en computación evolutiva permite encontrar hiperparámetros adecuados para la arquitectura considerada que permiten alcanzar un desempeño comparable al enfoque basado en conocimiento experto, con la diferencia de no ser necesario el conocimiento humano para esta selección.
publishDate 2024
dc.date.none.fl_str_mv 2024-08
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/10915/177178
url http://sedici.unlp.edu.ar/handle/10915/177178
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/17920
info:eu-repo/semantics/altIdentifier/issn/2451-7496
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
74-87
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_ 1844616341481324544
score 13.070432