Desarrollo de técnicas de computación evolutiva : multiobjetivo y aprendizaje automático para la inferencia, modelado y simulación de redes regulatorias
Durante las últimas décadas el desarrollo de la bioinformática nos ha permitido lograr una mayor comprensión de los procesos biológicos que ocurren con nuestras células a nivel molecular. Al respecto, las mejoras e innovaciones en la tecnología continúan estimulando la mejora en la calidad de los...
Guardado en:
Autor principal: | |
---|---|
Otros Autores: | |
Formato: | tesis doctoral |
Lenguaje: | Español |
Publicado: |
2014
|
Materias: | |
Acceso en línea: | http://repositoriodigital.uns.edu.ar/handle/123456789/3622 |
Aporte de: |
id |
I20-R126123456789-3622 |
---|---|
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 |
Ciencias de la computación Redes regulatorias de genes Aprendizaje automático Algoritmos evolutivos Gene regulatory networks Machine learning Evolutionary algorithms |
spellingShingle |
Ciencias de la computación Redes regulatorias de genes Aprendizaje automático Algoritmos evolutivos Gene regulatory networks Machine learning Evolutionary algorithms Gallo, Cristian Andrés Desarrollo de técnicas de computación evolutiva : multiobjetivo y aprendizaje automático para la inferencia, modelado y simulación de redes regulatorias |
topic_facet |
Ciencias de la computación Redes regulatorias de genes Aprendizaje automático Algoritmos evolutivos Gene regulatory networks Machine learning Evolutionary algorithms |
description |
Durante las últimas décadas el desarrollo de la bioinformática nos ha permitido lograr una mayor
comprensión de los procesos biológicos que ocurren con nuestras células a nivel molecular. Al
respecto, las mejoras e innovaciones en la tecnología continúan estimulando la mejora en la calidad de
los datos biológicos que pueden ser obtenidos a nivel genómico. En tal sentido, grandes volúmenes de
información pueden ser encontrados en formas de anotaciones o bases de datos computacionales.
Estos conjuntos de datos, apropiadamente combinados, tienen el potencial de posibilitar
descubrimientos novedosos que lleven a avances en campos tan relevantes para el desarrollo nacional
como son la biotecnología o la medicina post-genómica.
En particular, esta tesis se centra en la investigación de técnicas de aprendizaje automático y
computación evolutiva para la inferencia de redes regulatorias de genes a partir de datos de expresión
de genes, a nivel de genomas completos. Una red regulatoria de genes es una colección de segmentos
de ADN (ácido desoxirribonucleico) en una célula que interactúan unos con otros (indirectamente a
través del producto de su expresión) y con otras sustancias en la célula, gobernando así las tasas de
transcripción de los genes de la red en ARNm (ácido ribonucleico mensajero).
La principal contribución de esta tesis esta relacionada con el desarrollo de metodologías
computacionales que asistan, a expertos en bioinformática, en la ingeniería inversa de las redes
regulatorias de genes. En tal sentido, se desarrollaron algoritmos de computación evolutiva que
permiten la identificación de grupos de genes co-expresados bajo ciertos subconjuntos de condiciones
experimentales. Estos algoritmos se aplican sobre datos de expresión de genes, y optimizan
características deseables desde el punto de vista biológico, posibilitando la obtención de relaciones de
co-expresión relevantes. Tales algoritmos fueron cuidadosamente validados por medio de
comparaciones con otras técnicas similares disponibles en la literatura, realizando estudios con datos
reales y sintéticos a fin de mostrar la utilidad de la información extraída. Además, se desarrolló un
algoritmo de inferencia que permite la extracción de potenciales relaciones causa-efecto entre genes,
tanto simultáneas como también aquellas diferidas en el tiempo. Este algoritmo es una evolución de
una técnica presentada con anterioridad, e incorpora características novedosas como la posibilidad de
inferir reglas con múltiples retardos en el tiempo, a nivel genoma completo, e integrando múltiples
conjuntos de datos. La técnica se validó mostrando su eficacia respecto de otros enfoques relevantes de
la literatura. También se estudiaron los resultados obtenidos a partir de conjuntos de datos reales en
términos de su relevancia biológica, exponiendo la viabilidad de la información inferida. Finalmente,
estos algoritmos se integraron en una plataforma de software que facilita la utilización de estas técnicas
permitiendo la inferencia, manipulación y visualización de redes regulatorias de genes. |
author2 |
Ponzoni, Ignacio |
author_facet |
Ponzoni, Ignacio Gallo, Cristian Andrés |
format |
tesis doctoral |
author |
Gallo, Cristian Andrés |
author_sort |
Gallo, Cristian Andrés |
title |
Desarrollo de técnicas de computación evolutiva : multiobjetivo y aprendizaje automático para la inferencia, modelado y simulación de redes regulatorias |
title_short |
Desarrollo de técnicas de computación evolutiva : multiobjetivo y aprendizaje automático para la inferencia, modelado y simulación de redes regulatorias |
title_full |
Desarrollo de técnicas de computación evolutiva : multiobjetivo y aprendizaje automático para la inferencia, modelado y simulación de redes regulatorias |
title_fullStr |
Desarrollo de técnicas de computación evolutiva : multiobjetivo y aprendizaje automático para la inferencia, modelado y simulación de redes regulatorias |
title_full_unstemmed |
Desarrollo de técnicas de computación evolutiva : multiobjetivo y aprendizaje automático para la inferencia, modelado y simulación de redes regulatorias |
title_sort |
desarrollo de técnicas de computación evolutiva : multiobjetivo y aprendizaje automático para la inferencia, modelado y simulación de redes regulatorias |
publishDate |
2014 |
url |
http://repositoriodigital.uns.edu.ar/handle/123456789/3622 |
work_keys_str_mv |
AT gallocristianandres desarrollodetecnicasdecomputacionevolutivamultiobjetivoyaprendizajeautomaticoparalainferenciamodeladoysimulacionderedesregulatorias |
bdutipo_str |
Repositorios |
_version_ |
1764820504958468100 |