Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I

El presente trabajo propone una comparación de modelos de aprendizaje automático para la detección de células cancerígenas a partir de los antígenos del complejo MHC I. Utilizando protocolos de extracción de características físico-químicas de las proteínas y un proceso comparativo de las medidas de...

Full description

Autores:

Tipo de recurso:

Fecha de publicación:: 2020

Institución:: Universidad del Rosario

Repositorio:: Repositorio EdocUR - U. Rosario

Idioma:: spa

id	EDOCUR2_4715defe5d99cec2848a97736138cd68
oai_identifier_str	oai:repository.urosario.edu.co:10336/24401
network_acronym_str	EDOCUR2
network_name_str	Repositorio EdocUR - U. Rosario
repository_id_str
dc.title.spa.fl_str_mv	Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I
dc.title.TranslatedTitle.eng.fl_str_mv	Comparison of machine learning models for the prediction of cancer cells from the MHC I complex
dc.title.alternative.spa.fl_str_mv	Predicción de células cancerígenas
title	Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I
spellingShingle	Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I Antígenos Aprendizaje automático Cáncer Incidencia & prevención de la enfermedad Sistemas Antigen Cancer Machine Learning
title_short	Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I
title_full	Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I
title_fullStr	Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I
title_full_unstemmed	Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I
title_sort	Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I
dc.contributor.advisor.none.fl_str_mv	Orjuela Cañón, Alvaro David
dc.subject.spa.fl_str_mv	Antígenos Aprendizaje automático Cáncer
topic	Antígenos Aprendizaje automático Cáncer Incidencia & prevención de la enfermedad Sistemas Antigen Cancer Machine Learning
dc.subject.ddc.spa.fl_str_mv	Incidencia & prevención de la enfermedad Sistemas
dc.subject.keyword.spa.fl_str_mv	Antigen Cancer Machine Learning
description	El presente trabajo propone una comparación de modelos de aprendizaje automático para la detección de células cancerígenas a partir de los antígenos del complejo MHC I. Utilizando protocolos de extracción de características físico-químicas de las proteínas y un proceso comparativo de las medidas de desempeño en la fase de validación y prueba de los modelos. Con este procedimiento se pretende determinar cuál modelo de aprendizaje automático presenta el mejor desempeño en la predicción de antígenos cancerígenos, utilizando propiedades fisicoquímicas como marcadores de entrada.
publishDate	2020
dc.date.accessioned.none.fl_str_mv	2020-05-27T21:38:23Z
dc.date.available.none.fl_str_mv	2020-05-27T21:38:23Z
dc.date.created.none.fl_str_mv	2020-05-22
dc.type.eng.fl_str_mv	bachelorThesis
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.document.spa.fl_str_mv	Análisis de caso
dc.type.spa.spa.fl_str_mv	Trabajo de grado
dc.identifier.doi.none.fl_str_mv	https://doi.org/10.48713/10336_24401
dc.identifier.uri.none.fl_str_mv	https://repository.urosario.edu.co/handle/10336/24401
url	https://doi.org/10.48713/10336_24401 https://repository.urosario.edu.co/handle/10336/24401
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.rights.spa.fl_str_mv	Atribución 2.5 Colombia
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.uri.none.fl_str_mv	http://creativecommons.org/licenses/by/2.5/co/
rights_invalid_str_mv	Atribución 2.5 Colombia Abierto (Texto Completo) http://creativecommons.org/licenses/by/2.5/co/ http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad del Rosario
dc.publisher.department.spa.fl_str_mv	Escuela de Medicina y Ciencias de la Salud
dc.publisher.program.spa.fl_str_mv	Ingeniería Biomédica
institution	Universidad del Rosario
dc.source.bibliographicCitation.spa.fl_str_mv	OMS, «Cáncer,» 12 septiembre 2018. [En línea]. Available: https://www.who.int/es/news-room/fact-sheets/detail/cancerH ASCO, «American Society of Clinical Oncology,» Journal of Clinical Oncology, pp. 212-222, 20 Febrero 2017 DANE, «Boletín Técnico,» 20 Diciembre 2019. [En línea]. Available: https://www.dane.gov.co/files/investigaciones/poblacion/bt_estadisticasvitales_IIItr im_2019pr-20-diciembre-2019.pdf MinSalud, «PLAN DECENAL PARA EL CONTROL EN COLOMBIA,» 17 Marzo 2012. [En línea]. Available: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/IA/INCA/plannacional-control-cancer.pdf MinSalud, «Cáncer,» Enero 25 2020. [En línea]. Available: https://www.minsalud.gov.co/salud/publica/PENT/Paginas/Prevenciondelcancer.aspx A. L. L. T. G. Óscar, «Costos directos de la atención del cáncer,» Cancerol, vol. XX, nº 2, pp. 52-60, 2016 J. Greening, «The peptidome comes of age: Mass spectrometry-based characterization of the circulating cancer peptidome,» Enzymes, vol. 42, pp. 27-64, 2017 S. Lou, «Automated detection of radiology reports that require follow-up imaging using natural language processing feature engineering and machine learning classification,» Journal of Digital Imaging, vol. 33, nº 1, pp. 131-136, 2020 G. M. H. R. E. &. W. N. Cooper, La célula: Geoffrey M. Cooper y Robert E. Hausman, Madrid: Madrid: Marbán, 2014 B. S. D. Lodish, Biología Celular y Molecular, 5 ed., Madrid: Panamericana, 2016, pp. 590-630 S. I. Fox, FISIOLOGÍA HUMANA, vol. XII, New York: Pierce College, 2011, pp. 50- 90 V. M. Saikumar P., Apoptosis and Cell Death. In: Allen T., vol. II, Boston: Molecular Pathology Library, 2009 C. W. K. Murphy, ImmunBiology, 9 ed., vol. I, Bostom: Garlad Science, 2017, pp. 3-35 W. R. Hanahan D, «Review: Hallmarks of Cancer,» 11 Junio 2011. [En línea]. Available: http://ez.urosario.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct= true&db=ed selp&AN=S0092867411001279&lang=es&site=eds-live&scope=site S. Gortzak-Uzan, «A Proteome Resource of Ovarian Cancer Ascites: Integrated Proteomic and Bioinformatic Analyses To Identify Putative Biomarkers,» Journal of Proteome Research, vol. VII, nº 1, p. 339–351, 2013 H. Mattsson, «Improved pan-specific prediction of MHC class I peptide binding using a novel receptor clustering data partitioning strategy,» HLA Inmune Response Genetics, pp. 1-6, 2016 R. J. A. N. M. N. H. V. I. Jurtz, «An introduction to Deep learning on biological sequence data – Examples and solutions,» Oxford University Press, 2017 J. &. V. A. &. C. S. &. D. N. Gauthier, «A Brief History of Bioinformatics. Briefings in Bioinformatics,» pp. 11-34, 2018 B. C. R. S. C. B. J. G. I. I. Pedro Larrañaga, «Machine learning in bioinformatics,» p. 86–112, 2006 S. R. J. Y. H. J. L. H. J. L. E. J. L. Kim, «Bioinformatic and metabolomic analysis reveals miR-155 regulates thiamine level in breast cancer,» Cancer Letters, vol. II, nº 357, p. 488–497, 2015 G. B. V. C. D. F. &. S. S. Musumarra, «A Bioinformatic Approach to the Identification of Candidate Genes for the Development of New Cancer Diagnostics,» Biological Chemistry, vol. II, nº 384, pp. 391-398, 2004 C. G. B. T. Y. C. S. Zhou. J, «Genetic and bioinformatic analyses of the expression and function of PI3K regulatory subunit PIK3R3 in an Asian patient gastric cancer library,» Medical Genomic, vol. V, nº 1, pp. 5-12, 2012 J. F. H. B. L. &. F. J. G. Beltrán Lissabet, «TTAgP 1.0: A computational tool for the specific prediction of tumor T cell antigens,» Computational Biology and Chemistry, nº 83, 2019 D. Chicco, «Ten quick tips for machine learning in computational biology,» BioMed Central, vol. I, nº 10, pp. 1-17, 2017 C. Bishop, PATTERN RECOGNITION AND MACHINE LEARNING, Primera ed., 2006, pp. 5-15 O. Theobald, Machine Learning for Absolute Beginners, vol. 2, Independently Published, 2018, pp. 10-12 A. M. D. A. A. L. Swan, «Application of Machine Learning to Proteomics Data: Classification and Biomarker Identification in Postgenomics Biology,» OMICS : a Journal of Integrative Biology, vol. XVII, nº 12, pp. 595-610, 2010 J. Ulintz, «Improved Classification of Mass Spectrometry Database Search Results Using Newer Machine Learning Approaches,» Molecular & Cellular Proteomics, vol. V, nº 3, pp. 97-509, 2005 S. Jeet, «Machine Learning Biogeographic Processes from Biotic Patterns: A New Trait-Dependent Dispersal and Diversification Model with Model Choice By Simulation-Trained Discriminant Analysis,» Systematic Biology, vol. 65, nº 3, pp. 525-55, 2016 S. Zhang, «PromPDD, a web-based tool for the prediction, deciphering and design of promiscuous peptides that bind to HLA class I molecules,» Journal of Immunological Methods, pp. 476-489, 2020 K. D. R. N. Tomar, «Immunoinformatics: an integrated scenario,» British Society of Immunology, vol. 131, nº 2, p. 153–168, 2010 K. D. H. Youngmahn, «Deep convolutional neural networks for pan-specific peptideMHC class I binding prediction,» BMC Bioinformatics, 2017 E. Loan, «Building MHC Class II Epitope Predictor Using Machine Learning Approaches,» Springer, vol. 1268, pp. 67-73, 2015 T. Alvarez, «NNAlign-MA; MHC peptidome deconvolution for accurate MHC binding motif characterization and improved t-cell epitode,» Molecular and Cellular Proteomic, vol. 18, nº 12, pp. 2459-2477, 2019 M. M. H. &. B. M. Nosrati, «Introducing of an integrated artificial neural network and chou's pseudo amino acid composition approach for computational epitopemapping of crimean-congo haemorrhagic fever virus antigens,» International Immunopharmacology, nº 78, 2020 S. X. Z. Weilong, «Systematically benchmarking peptide-MHC binding predictors: From synthetic to naturally processed epitopes,» Computacional Biology, pp. 1-28, 2018 R. D. A.D. Irini, «VaxiJen: a server for prediction of protective antigens, tumour antigens and subunit vaccines,» BMC Bioinformatics, pp. 22-26, 2007 F. F. W. J. T. Elias, «TIminer: NGS data mining pipeline for cancer immunology and immunotherapy,» Bioinformatics, vol. 33, nº 19, p. 3140–3141, 2017 L. T. S. L. H. Olsen, «TANTIGEN: a comprehensive database of tumor T cell antigens,» Cancer Immunol Immunother, nº 66, 2017 C. L. S. S. R. L. G. a. L. Pommié, «IMGT standardized criteria for statistical analysis of immunoglobulin V‐REGION amino acid properties,» IMGT, nº 17, pp. 17-32, 2004 J.-L. C. M. K. L. B. V. A. &. P. V. FAUCHÈRE, «Amino acid side chain parameters for correlation studies in biology and pharmacology,» International Journal of Peptide and Protein Research, nº 32(4), p. 269–278, 2009 ImMunoGeneTics, «Amino acids,» 20 04 2004. [En línea]. Available: http://www.imgt.org/IMGTeducation/Aidememoire/_UK/aminoacids/IMGTclasses.html Q. B. A. G. K. Maricel, «Optimization of a new score function for the detection of remote homologs,» Proteins: Structure, Function, and Bioinformatics, vol. XLI, nº 4, pp. 498-503, 2000 k. S.-H. T. H. D. G. Eleni, «Verification and validation of bioinformatics software without a gold standard: a case study of BWA and Bowtie,» BMC Bioinformatics, vol. XV, nº 16, 2014 R. T. J. F. T. Hastie, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Segunda ed., Stanford, California: Springer, 2008 G. Thomas, «Machine Learning Bias, Statistical Bias, and Statistical Variance of Decision Tree Algorithms,» 5 1995. [En línea]. Available: http://www.cems.uwe.ac.uk/~irjohnso/coursenotes/uqc832/tr-bias.pdf SciKit Learn, «sklearn.ensemble.RandomForestClassifier,» 2019. [En línea]. Available: https://scikitlearn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.ht ml S. Haykin, Neural Network and Learning Machines, Tercera ed., Boston: Person, 2009 F. J. &. P.-M. C. Valverde-Albacete, «100% classification accuracy considered harmful: the normalized information transfer factor explains the accuracy paradox.,» Plos One, vol. IX, nº 1, 2014 Scikit Learn, «GridSearchCV,» 2 Enero 2020. [En línea]. Available: https://scikitlearn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html# sklearn.model_selection.GridSearchCV C. C. H. S. M. S. Ciampi A., «Recursive Partition: A Versatile Method for Exploratory-Data Analysis in Biostatistics,» Springer, vol. XXXVII, 1999 B. Y. B. James, «Random Search for Hyper-Parameter Optimization,» Journal of Machine Learning Research, vol. XIII, pp. 281-305, 2012 T. S. H. T. A. ENDO, «Comparison of Seven Algorithms to Predict Breast Cancer Survival,» International Journal of Biomedical Soft Computing and Human Sciences: the official journal of the Biomedical Fuzzy Systems Association, vol. XIII, nº 2, pp. 11-16, 2008 M. J. D. A. F.F. João, «PLEURAL TUBERCULOSIS DIAGNOSIS BASED ON ARTIFICIAL,» Sociedade Brasileira de Inteligência Computacional, 2011 Kakau, «ROC curves,» 17 06 2010. [En línea]. Available: http://creativecommons.org/licenses/by-sa/3.0/ SciKit Learn, «sklearn.neural_network.MLPClassifier,» 20 Enero 2020. [En línea]. Available: https://scikitlearn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html#s klearn.neural_network.MLPClassifier.predict_proba C. L. D. I. Seixas JM, «Relevance criteria for variable selection in classifier design. In: International conference on engineering applications of neural networks,» de International conference on engineering applications of neural networks, London, 1996 F. S. T. R. C. P. J. V. K. A. L. S. J. M. &. M. F. C. Aguiar, «Development of two artificial neural network models to support the diagnosis of pulmonary tuberculosis in hospitalized patients in Rio de Janeiro,» Medical & biological engineering & computing, vol. 54, nº 11, pp. 1751-1759, 2016 M. L. F. W. N.A Obuchowski, «ROC curves in clinical chemistry: uses, misuses, and possible solutions.,» Clenecal Chemistry, vol. L, nº 7, pp. 18-25, 2004 N. Tkachev, «Flexible data trimming improves performance of global machine learning methods in omics-based personalized oncology,» International Journal of Molecular Sciences, vol. XXI, nº 3, 2020 L. Breiman, «Random forests,» Springer Netherlands, vol. XLV, nº 1, pp. 5-32, 2001
dc.source.instname.spa.fl_str_mv	instname:Universidad del Rosario instname:Universidad del Rosario
dc.source.reponame.none.fl_str_mv	reponame:Repositorio Institucional EdocUR
bitstream.url.fl_str_mv	https://repository.urosario.edu.co/bitstreams/68a9cb11-989f-4953-9647-565f4fcd96d0/download https://repository.urosario.edu.co/bitstreams/5888938f-5f3b-4248-b3af-ce2461ce8e64/download https://repository.urosario.edu.co/bitstreams/a502df63-c42e-4997-9aa6-b097b9cdc73d/download https://repository.urosario.edu.co/bitstreams/75e6b7a2-0576-42d8-8c11-b4b244c5e116/download https://repository.urosario.edu.co/bitstreams/19db9097-e69d-4773-8708-a514c80b9cb4/download
bitstream.checksum.fl_str_mv	03b9a815cf54af2016505b936abb07ba fab9d9ed61d64f6ac005dee3306ae77e 1608e658af296c3febc577e957e919bf 8cdbfc8bc9393dd841b99b50e865dd0d e32d180ac8ec5439fc1290af5158d9da
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio institucional EdocUR
repository.mail.fl_str_mv	edocur@urosario.edu.co
_version_	1814167478096363520
spelling	Orjuela Cañón, Alvaro David80030377600Navas Luquez, MateoIngeniero BiomédicoFull time8f89d8cf-6380-43a6-9a75-557ce7072d936002020-05-27T21:38:23Z2020-05-27T21:38:23Z2020-05-22El presente trabajo propone una comparación de modelos de aprendizaje automático para la detección de células cancerígenas a partir de los antígenos del complejo MHC I. Utilizando protocolos de extracción de características físico-químicas de las proteínas y un proceso comparativo de las medidas de desempeño en la fase de validación y prueba de los modelos. Con este procedimiento se pretende determinar cuál modelo de aprendizaje automático presenta el mejor desempeño en la predicción de antígenos cancerígenos, utilizando propiedades fisicoquímicas como marcadores de entrada.The present work proposes a comparison of machine learning models for the detection of cancer cells from the MHC I complex antigens. Using protocols for the extraction of physical-chemical characteristics of proteins and a comparative process of performance measurements in the model validation and testing phase. This procedure aims to determine the machine learning model presenting the best performance in the prediction of carcinogenic antigens, using physicochemical properties as input markers.application/pdfhttps://doi.org/10.48713/10336_24401 https://repository.urosario.edu.co/handle/10336/24401spaUniversidad del RosarioEscuela de Medicina y Ciencias de la SaludIngeniería BiomédicaAtribución 2.5 ColombiaAbierto (Texto Completo)EL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma.http://creativecommons.org/licenses/by/2.5/co/http://purl.org/coar/access_right/c_abf2OMS, «Cáncer,» 12 septiembre 2018. [En línea]. Available: https://www.who.int/es/news-room/fact-sheets/detail/cancerHASCO, «American Society of Clinical Oncology,» Journal of Clinical Oncology, pp. 212-222, 20 Febrero 2017DANE, «Boletín Técnico,» 20 Diciembre 2019. [En línea]. Available: https://www.dane.gov.co/files/investigaciones/poblacion/bt_estadisticasvitales_IIItr im_2019pr-20-diciembre-2019.pdfMinSalud, «PLAN DECENAL PARA EL CONTROL EN COLOMBIA,» 17 Marzo 2012. [En línea]. Available: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/IA/INCA/plannacional-control-cancer.pdfMinSalud, «Cáncer,» Enero 25 2020. [En línea]. Available: https://www.minsalud.gov.co/salud/publica/PENT/Paginas/Prevenciondelcancer.aspxA. L. L. T. G. Óscar, «Costos directos de la atención del cáncer,» Cancerol, vol. XX, nº 2, pp. 52-60, 2016J. Greening, «The peptidome comes of age: Mass spectrometry-based characterization of the circulating cancer peptidome,» Enzymes, vol. 42, pp. 27-64, 2017S. Lou, «Automated detection of radiology reports that require follow-up imaging using natural language processing feature engineering and machine learning classification,» Journal of Digital Imaging, vol. 33, nº 1, pp. 131-136, 2020G. M. H. R. E. &. W. N. Cooper, La célula: Geoffrey M. Cooper y Robert E. Hausman, Madrid: Madrid: Marbán, 2014B. S. D. Lodish, Biología Celular y Molecular, 5 ed., Madrid: Panamericana, 2016, pp. 590-630S. I. Fox, FISIOLOGÍA HUMANA, vol. XII, New York: Pierce College, 2011, pp. 50- 90V. M. Saikumar P., Apoptosis and Cell Death. In: Allen T., vol. II, Boston: Molecular Pathology Library, 2009C. W. K. Murphy, ImmunBiology, 9 ed., vol. I, Bostom: Garlad Science, 2017, pp. 3-35W. R. Hanahan D, «Review: Hallmarks of Cancer,» 11 Junio 2011. [En línea]. Available: http://ez.urosario.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct= true&db=ed selp&AN=S0092867411001279&lang=es&site=eds-live&scope=siteS. Gortzak-Uzan, «A Proteome Resource of Ovarian Cancer Ascites: Integrated Proteomic and Bioinformatic Analyses To Identify Putative Biomarkers,» Journal of Proteome Research, vol. VII, nº 1, p. 339–351, 2013H. Mattsson, «Improved pan-specific prediction of MHC class I peptide binding using a novel receptor clustering data partitioning strategy,» HLA Inmune Response Genetics, pp. 1-6, 2016R. J. A. N. M. N. H. V. I. Jurtz, «An introduction to Deep learning on biological sequence data – Examples and solutions,» Oxford University Press, 2017J. &. V. A. &. C. S. &. D. N. Gauthier, «A Brief History of Bioinformatics. Briefings in Bioinformatics,» pp. 11-34, 2018B. C. R. S. C. B. J. G. I. I. Pedro Larrañaga, «Machine learning in bioinformatics,» p. 86–112, 2006S. R. J. Y. H. J. L. H. J. L. E. J. L. Kim, «Bioinformatic and metabolomic analysis reveals miR-155 regulates thiamine level in breast cancer,» Cancer Letters, vol. II, nº 357, p. 488–497, 2015G. B. V. C. D. F. &. S. S. Musumarra, «A Bioinformatic Approach to the Identification of Candidate Genes for the Development of New Cancer Diagnostics,» Biological Chemistry, vol. II, nº 384, pp. 391-398, 2004C. G. B. T. Y. C. S. Zhou. J, «Genetic and bioinformatic analyses of the expression and function of PI3K regulatory subunit PIK3R3 in an Asian patient gastric cancer library,» Medical Genomic, vol. V, nº 1, pp. 5-12, 2012J. F. H. B. L. &. F. J. G. Beltrán Lissabet, «TTAgP 1.0: A computational tool for the specific prediction of tumor T cell antigens,» Computational Biology and Chemistry, nº 83, 2019D. Chicco, «Ten quick tips for machine learning in computational biology,» BioMed Central, vol. I, nº 10, pp. 1-17, 2017C. Bishop, PATTERN RECOGNITION AND MACHINE LEARNING, Primera ed., 2006, pp. 5-15O. Theobald, Machine Learning for Absolute Beginners, vol. 2, Independently Published, 2018, pp. 10-12A. M. D. A. A. L. Swan, «Application of Machine Learning to Proteomics Data: Classification and Biomarker Identification in Postgenomics Biology,» OMICS : a Journal of Integrative Biology, vol. XVII, nº 12, pp. 595-610, 2010J. Ulintz, «Improved Classification of Mass Spectrometry Database Search Results Using Newer Machine Learning Approaches,» Molecular & Cellular Proteomics, vol. V, nº 3, pp. 97-509, 2005S. Jeet, «Machine Learning Biogeographic Processes from Biotic Patterns: A New Trait-Dependent Dispersal and Diversification Model with Model Choice By Simulation-Trained Discriminant Analysis,» Systematic Biology, vol. 65, nº 3, pp. 525-55, 2016S. Zhang, «PromPDD, a web-based tool for the prediction, deciphering and design of promiscuous peptides that bind to HLA class I molecules,» Journal of Immunological Methods, pp. 476-489, 2020K. D. R. N. Tomar, «Immunoinformatics: an integrated scenario,» British Society of Immunology, vol. 131, nº 2, p. 153–168, 2010K. D. H. Youngmahn, «Deep convolutional neural networks for pan-specific peptideMHC class I binding prediction,» BMC Bioinformatics, 2017E. Loan, «Building MHC Class II Epitope Predictor Using Machine Learning Approaches,» Springer, vol. 1268, pp. 67-73, 2015T. Alvarez, «NNAlign-MA; MHC peptidome deconvolution for accurate MHC binding motif characterization and improved t-cell epitode,» Molecular and Cellular Proteomic, vol. 18, nº 12, pp. 2459-2477, 2019M. M. H. &. B. M. Nosrati, «Introducing of an integrated artificial neural network and chou's pseudo amino acid composition approach for computational epitopemapping of crimean-congo haemorrhagic fever virus antigens,» International Immunopharmacology, nº 78, 2020S. X. Z. Weilong, «Systematically benchmarking peptide-MHC binding predictors: From synthetic to naturally processed epitopes,» Computacional Biology, pp. 1-28, 2018R. D. A.D. Irini, «VaxiJen: a server for prediction of protective antigens, tumour antigens and subunit vaccines,» BMC Bioinformatics, pp. 22-26, 2007F. F. W. J. T. Elias, «TIminer: NGS data mining pipeline for cancer immunology and immunotherapy,» Bioinformatics, vol. 33, nº 19, p. 3140–3141, 2017L. T. S. L. H. Olsen, «TANTIGEN: a comprehensive database of tumor T cell antigens,» Cancer Immunol Immunother, nº 66, 2017C. L. S. S. R. L. G. a. L. Pommié, «IMGT standardized criteria for statistical analysis of immunoglobulin V‐REGION amino acid properties,» IMGT, nº 17, pp. 17-32, 2004J.-L. C. M. K. L. B. V. A. &. P. V. FAUCHÈRE, «Amino acid side chain parameters for correlation studies in biology and pharmacology,» International Journal of Peptide and Protein Research, nº 32(4), p. 269–278, 2009ImMunoGeneTics, «Amino acids,» 20 04 2004. [En línea]. Available: http://www.imgt.org/IMGTeducation/Aidememoire/_UK/aminoacids/IMGTclasses.htmlQ. B. A. G. K. Maricel, «Optimization of a new score function for the detection of remote homologs,» Proteins: Structure, Function, and Bioinformatics, vol. XLI, nº 4, pp. 498-503, 2000k. S.-H. T. H. D. G. Eleni, «Verification and validation of bioinformatics software without a gold standard: a case study of BWA and Bowtie,» BMC Bioinformatics, vol. XV, nº 16, 2014R. T. J. F. T. Hastie, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Segunda ed., Stanford, California: Springer, 2008G. Thomas, «Machine Learning Bias, Statistical Bias, and Statistical Variance of Decision Tree Algorithms,» 5 1995. [En línea]. Available: http://www.cems.uwe.ac.uk/~irjohnso/coursenotes/uqc832/tr-bias.pdfSciKit Learn, «sklearn.ensemble.RandomForestClassifier,» 2019. [En línea]. Available: https://scikitlearn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.ht mlS. Haykin, Neural Network and Learning Machines, Tercera ed., Boston: Person, 2009F. J. &. P.-M. C. Valverde-Albacete, «100% classification accuracy considered harmful: the normalized information transfer factor explains the accuracy paradox.,» Plos One, vol. IX, nº 1, 2014Scikit Learn, «GridSearchCV,» 2 Enero 2020. [En línea]. Available: https://scikitlearn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html# sklearn.model_selection.GridSearchCVC. C. H. S. M. S. Ciampi A., «Recursive Partition: A Versatile Method for Exploratory-Data Analysis in Biostatistics,» Springer, vol. XXXVII, 1999B. Y. B. James, «Random Search for Hyper-Parameter Optimization,» Journal of Machine Learning Research, vol. XIII, pp. 281-305, 2012T. S. H. T. A. ENDO, «Comparison of Seven Algorithms to Predict Breast Cancer Survival,» International Journal of Biomedical Soft Computing and Human Sciences: the official journal of the Biomedical Fuzzy Systems Association, vol. XIII, nº 2, pp. 11-16, 2008M. J. D. A. F.F. João, «PLEURAL TUBERCULOSIS DIAGNOSIS BASED ON ARTIFICIAL,» Sociedade Brasileira de Inteligência Computacional, 2011Kakau, «ROC curves,» 17 06 2010. [En línea]. Available: http://creativecommons.org/licenses/by-sa/3.0/SciKit Learn, «sklearn.neural_network.MLPClassifier,» 20 Enero 2020. [En línea]. Available: https://scikitlearn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html#s klearn.neural_network.MLPClassifier.predict_probaC. L. D. I. Seixas JM, «Relevance criteria for variable selection in classifier design. In: International conference on engineering applications of neural networks,» de International conference on engineering applications of neural networks, London, 1996F. S. T. R. C. P. J. V. K. A. L. S. J. M. &. M. F. C. Aguiar, «Development of two artificial neural network models to support the diagnosis of pulmonary tuberculosis in hospitalized patients in Rio de Janeiro,» Medical & biological engineering & computing, vol. 54, nº 11, pp. 1751-1759, 2016M. L. F. W. N.A Obuchowski, «ROC curves in clinical chemistry: uses, misuses, and possible solutions.,» Clenecal Chemistry, vol. L, nº 7, pp. 18-25, 2004N. Tkachev, «Flexible data trimming improves performance of global machine learning methods in omics-based personalized oncology,» International Journal of Molecular Sciences, vol. XXI, nº 3, 2020L. Breiman, «Random forests,» Springer Netherlands, vol. XLV, nº 1, pp. 5-32, 2001instname:Universidad del Rosarioinstname:Universidad del Rosarioreponame:Repositorio Institucional EdocURAntígenosAprendizaje automáticoCáncerIncidencia & prevención de la enfermedad614600Sistemas003600AntigenCancerMachine LearningComparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC IComparison of machine learning models for the prediction of cancer cells from the MHC I complexPredicción de células cancerígenasbachelorThesisAnálisis de casoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de Medicina y Ciencias de la SaludORIGINALComparacion-de-modelos-de-aprendizaje-automatico-para-la-prediccion-de-celulas-cancerigenas-a-partir-del-complejo-MHC-I.pdfComparacion-de-modelos-de-aprendizaje-automatico-para-la-prediccion-de-celulas-cancerigenas-a-partir-del-complejo-MHC-I.pdfapplication/pdf1719253https://repository.urosario.edu.co/bitstreams/68a9cb11-989f-4953-9647-565f4fcd96d0/download03b9a815cf54af2016505b936abb07baMD51LICENSElicense.txtlicense.txttext/plain1475https://repository.urosario.edu.co/bitstreams/5888938f-5f3b-4248-b3af-ce2461ce8e64/downloadfab9d9ed61d64f6ac005dee3306ae77eMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://repository.urosario.edu.co/bitstreams/a502df63-c42e-4997-9aa6-b097b9cdc73d/download1608e658af296c3febc577e957e919bfMD53TEXTComparacion-de-modelos-de-aprendizaje-automatico-para-la-prediccion-de-celulas-cancerigenas-a-partir-del-complejo-MHC-I.pdf.txtComparacion-de-modelos-de-aprendizaje-automatico-para-la-prediccion-de-celulas-cancerigenas-a-partir-del-complejo-MHC-I.pdf.txtExtracted texttext/plain96343https://repository.urosario.edu.co/bitstreams/75e6b7a2-0576-42d8-8c11-b4b244c5e116/download8cdbfc8bc9393dd841b99b50e865dd0dMD54THUMBNAILComparacion-de-modelos-de-aprendizaje-automatico-para-la-prediccion-de-celulas-cancerigenas-a-partir-del-complejo-MHC-I.pdf.jpgComparacion-de-modelos-de-aprendizaje-automatico-para-la-prediccion-de-celulas-cancerigenas-a-partir-del-complejo-MHC-I.pdf.jpgGenerated Thumbnailimage/jpeg2478https://repository.urosario.edu.co/bitstreams/19db9097-e69d-4773-8708-a514c80b9cb4/downloade32d180ac8ec5439fc1290af5158d9daMD5510336/24401oai:repository.urosario.edu.co:10336/244012021-10-19 14:23:26.327http://creativecommons.org/licenses/by/2.5/co/Atribución 2.5 Colombiahttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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

Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I

Publicaciones similares