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

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 d...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Hermann, Tobías J., Vignolo, Leandro D., Gerard, Matias F.
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2024
Materias:
Ciencias Informáticas
Redes neuronales en grafo
Computación evolutiva
Similaridad entre compuesto
Vías metabólicas
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/177178
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-177178
record_format dspace
spelling I19-R120-10915-1771782025-03-07T20:07:00Z http://sedici.unlp.edu.ar/handle/10915/177178 Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva Hermann, Tobías J. Vignolo, Leandro D. Gerard, Matias F. 2024-08 2024 2025-03-07T16:43:03Z es Ciencias Informáticas Redes neuronales en grafo Computación evolutiva Similaridad entre compuesto Vías metabólicas 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 Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 74-87
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Redes neuronales en grafo
Computación evolutiva
Similaridad entre compuesto
Vías metabólicas
spellingShingle Ciencias Informáticas
Redes neuronales en grafo
Computación evolutiva
Similaridad entre compuesto
Vías metabólicas
Hermann, Tobías J.
Vignolo, Leandro D.
Gerard, Matias F.
Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
topic_facet Ciencias Informáticas
Redes neuronales en grafo
Computación evolutiva
Similaridad entre compuesto
Vías metabólicas
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.
format Objeto de conferencia
Objeto de conferencia
author Hermann, Tobías J.
Vignolo, Leandro D.
Gerard, Matias F.
author_facet Hermann, Tobías J.
Vignolo, Leandro D.
Gerard, Matias F.
author_sort Hermann, Tobías J.
title Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva
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
publishDate 2024
url http://sedici.unlp.edu.ar/handle/10915/177178
work_keys_str_mv AT hermanntobiasj optimizaciondemodelosneuronalesparaestimarsimilaridadentrecompuestosmedianteestrategiasbasadasencomputacionevolutiva
AT vignololeandrod optimizaciondemodelosneuronalesparaestimarsimilaridadentrecompuestosmedianteestrategiasbasadasencomputacionevolutiva
AT gerardmatiasf optimizaciondemodelosneuronalesparaestimarsimilaridadentrecompuestosmedianteestrategiasbasadasencomputacionevolutiva
_version_ 1847925348560273408

Ejemplares similares