Técnicas de aprendizaje automático y computación científica aplicadas a la predicción de parámetros ADMET-Tox

Hace 15 a~nos atras, el desarrollo de nuevos productos farmaceuticos consista en un proceso de prueba y error basado mayormente en la busqueda de un farmacoforo o principio activo. Sin embargo, muchos compuestos eran nalmente descartados en la ultima etapa del proceso de su desarrollo debido al com...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Soto, Axel J.
Otros Autores: Ponzoni, Ignacio
Formato: tesis doctoral
Lenguaje:Español
Publicado: 2010
Materias:
Inteligencia artificial
ciencias de la computación
Acceso en línea:http://repositoriodigital.uns.edu.ar/handle/123456789/2086
Aporte de:
Repositorio Institucional Universidad Nacional del Sur (UNS) de Universidad Nacional del Sur
id I20-R126123456789-2086
record_format dspace
institution Universidad Nacional del Sur
institution_str I-20
repository_str R-126
collection Repositorio Institucional Universidad Nacional del Sur (UNS)
language Español
orig_language_str_mv spa
topic Inteligencia artificial
ciencias de la computación
spellingShingle Inteligencia artificial
ciencias de la computación
Soto, Axel J.
Técnicas de aprendizaje automático y computación científica aplicadas a la predicción de parámetros ADMET-Tox
topic_facet Inteligencia artificial
ciencias de la computación
description Hace 15 a~nos atras, el desarrollo de nuevos productos farmaceuticos consista en un proceso de prueba y error basado mayormente en la busqueda de un farmacoforo o principio activo. Sin embargo, muchos compuestos eran nalmente descartados en la ultima etapa del proceso de su desarrollo debido al comportamiento ADME-Tox. Por estos motivos, el interes en la industria y el ambito academico en las disciplinas de quimioinformatica y, en particular, en las tecnicas de tipo QSAR ha crecido considerablemente en los ultimos a~nos. El objetivo de esta tesis se centro en desarrollar metodologas para la mejora de los modelos existentes de QSAR mediante el uso de tecnicas numericas y de aprendizaje automatico. En este sentido, se obtuvo un potente metodo para lo que se considera uno de los problemas mas importantes del modelado QSAR: la seleccion de subconjuntos de descriptores relevantes. Para esta tarea se desarrollaron distintos enfoques utilizando computacion evolutiva. Asimismo, otro aspecto central considerado fue el desarrollo de una tecnica de identicacion de dominio de aplicacion para un metodo de prediccion, el cual permite determinar los alcances en las predicciones de un modelo. Para esta tecnica se considero la aplicacion de medidas de distancia entre compuestos qumicos, usando aprendizaje no supervisado. Finalmente, se desarrollo un metodo generalizado que permite la proyeccion de los datos en un espacio de menor dimension, en donde las distancias entre los datos proyectados guardan relacion con las distancias de la propiedad a modelar. Este nuevo espacio permite mejorar la visualizacion, reducir el conjunto de descriptores en forma embebida y mejorar la precision de los modelos de prediccion.
author2 Ponzoni, Ignacio
author_facet Ponzoni, Ignacio
Soto, Axel J.
format tesis doctoral
author Soto, Axel J.
author_sort Soto, Axel J.
title Técnicas de aprendizaje automático y computación científica aplicadas a la predicción de parámetros ADMET-Tox
title_short Técnicas de aprendizaje automático y computación científica aplicadas a la predicción de parámetros ADMET-Tox
title_full Técnicas de aprendizaje automático y computación científica aplicadas a la predicción de parámetros ADMET-Tox
title_fullStr Técnicas de aprendizaje automático y computación científica aplicadas a la predicción de parámetros ADMET-Tox
title_full_unstemmed Técnicas de aprendizaje automático y computación científica aplicadas a la predicción de parámetros ADMET-Tox
title_sort técnicas de aprendizaje automático y computación científica aplicadas a la predicción de parámetros admet-tox
publishDate 2010
url http://repositoriodigital.uns.edu.ar/handle/123456789/2086
work_keys_str_mv AT sotoaxelj tecnicasdeaprendizajeautomaticoycomputacioncientificaaplicadasalapredicciondeparametrosadmettox
bdutipo_str Repositorios
_version_ 1764820505144066048

Ejemplares similares