Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery

En este documento se presenta un proyecto de investigación planteado desde el área de la bioinformática, en el que se busca dar una solución a la actual problemática de la drogorresistencia en tres proteínas presentes en cepas resistentes la especie bacteriana Mycobaterium tuberculosis. Se busca pla...

Full description

Autores:
Hueza Echeverri, Mateo
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Escuela Colombiana de Ingeniería Julio Garavito
Repositorio:
Repositorio Institucional ECI
Idioma:
spa
OAI Identifier:
oai:repositorio.escuelaing.edu.co:001/2095
Acceso en línea:
https://repositorio.escuelaing.edu.co/handle/001/2095
https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23085
https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23083
Palabra clave:
Aprendizaje automático - Tuberculosis
Bioinformatica
Ingeniería biomédica
bioinformática
Aprendizaje automático - Tuberculosis
Ingeniería biomédica
Biomedical engineering
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id ESCUELAIG2_b5f85978454abe94fe3f5b98fd1af6d4
oai_identifier_str oai:repositorio.escuelaing.edu.co:001/2095
network_acronym_str ESCUELAIG2
network_name_str Repositorio Institucional ECI
repository_id_str
dc.title.spa.fl_str_mv Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery
title Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery
spellingShingle Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery
Aprendizaje automático - Tuberculosis
Bioinformatica
Ingeniería biomédica
bioinformática
Aprendizaje automático - Tuberculosis
Ingeniería biomédica
Biomedical engineering
title_short Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery
title_full Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery
title_fullStr Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery
title_full_unstemmed Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery
title_sort Estudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug Discovery
dc.creator.fl_str_mv Hueza Echeverri, Mateo
dc.contributor.advisor.none.fl_str_mv Orjuela Cañón, Ávaro David
Jutínico Alarcón, Andrés Leonardo
dc.contributor.author.none.fl_str_mv Hueza Echeverri, Mateo
dc.subject.armarc.none.fl_str_mv Aprendizaje automático - Tuberculosis
Bioinformatica
Ingeniería biomédica
topic Aprendizaje automático - Tuberculosis
Bioinformatica
Ingeniería biomédica
bioinformática
Aprendizaje automático - Tuberculosis
Ingeniería biomédica
Biomedical engineering
dc.subject.proposal.spa.fl_str_mv bioinformática
Aprendizaje automático - Tuberculosis
Ingeniería biomédica
dc.subject.proposal.eng.fl_str_mv Biomedical engineering
description En este documento se presenta un proyecto de investigación planteado desde el área de la bioinformática, en el que se busca dar una solución a la actual problemática de la drogorresistencia en tres proteínas presentes en cepas resistentes la especie bacteriana Mycobaterium tuberculosis. Se busca plantear y comparar modelos de predicción de valores de pIC50 (escala logarítmica del IC50), que hace referencia a la concentración necesaria del fármaco para disminuir la actividad de la proteína en un 50 %. Esta predicción servirá para nuevos fármacos, tomando como punto de partida la estructura molecular de compuestos químicos ya conocidos. Para ello se caracterizan con los datos provenientes de la base ChEMBL[3] y que tengan como proteína objetivo las proteínas N-Acetiltransferasa codificada por el gen eis, la ATP sintentasa subunidad c codificada por el gen atpE y por la Subunidad beta de ARN polimerasa dirigida por ADN codificada por el gen rpoB. Se esocogen estas proteínas dado que en ellas se presenta la resistencia a ciertos fármacos bactericidas de segunda y tercera línea. A cada compuesto se le calculan descriptores relacionados con la ley de lipinski: el peso molecular (MW), número de donadores de enlaces por puentes de hidrógeno (NumHDonnors), número de aceptores de enlaces por puentes de hidrógeno (NumHAcceptors) y el coeficinente de reparto octanol/agua (LogP); de igual manera se calcula una huella que cuenta con 881 descriptores que junto con los cuatro ya mencionados, se toman como la entrada de los modelos de regresión a plantear y los valores de pIC50 conocidos se toman como salida. Lo anterior corresponde al conjunto de entrenamiento con el que se generan diferentes modelos de regresión para esta predicción del pIC50. Para finalizar se comparan las características de funcionamiento de los modelos para así establecer los más adecuados para la problemática.
publishDate 2022
dc.date.accessioned.none.fl_str_mv 2022-07-28T20:17:50Z
dc.date.available.none.fl_str_mv 2022-07-28T20:17:50Z
dc.date.issued.none.fl_str_mv 2022
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv Text
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.spa.fl_str_mv https://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
status_str publishedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.escuelaing.edu.co/handle/001/2095
dc.identifier.url.none.fl_str_mv https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23085
dc.identifier.url.spa.fl_str_mv https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23083
url https://repositorio.escuelaing.edu.co/handle/001/2095
https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23085
https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23083
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.indexed.spa.fl_str_mv N/A
dc.relation.references.spa.fl_str_mv A. Natarajan, P. Beena, A. V. Devnikar y S. Mali, «A systemic review on tuberculosis,» Indian Journal of Tuberculosis, vol. 67, n.o 3, págs. 295-311, 2020
A. Zabaleta y C. Llerena, «Extensively resistant tuberculosis, Colombia, 2006-2016,» Biomedica, vol. 39, n.o 4, págs. 707-714, 2019,
D. Mendez, A. Gaulton, A. P. Bento et al., «ChEMBL: towards direct deposition of bioassay data,» Nucleic Acids Research, vol. 47, n.o D1, págs. D930-D940, nov. de 2018.
C. Silva, V. Bermúdez, N. Arraiz, F. Bermúdez, M. Rodríguez y L. V. E. Leal., «Fármacos de primera línea utilizados en el tratamiento de la tuberculosis,» Archivos Venezolanos de Farmacología y Terapéutica, 2007.
N. A. Shaik, K. R. Hakeem, B. Banaganapalli y R. Elango, Essentials of Bioinformatics Volume II, In Silico Life Sciences: Medicine. Springer, 2019.
G. Singh, P. Kesharwani y A. K. Srivastava, «Tuberculosis treated by multiple drugs: An overview,» Current Drug Delivery, vol. 15, n.o 3, págs. 312-320, 2018
C. E. Rincón-Torres, V. Rubio, C. Castro et al., «National Network for Knowledge Management, Research, and Innovation in Tuberculosis in Colombia,» Revista Panamericana de Salud Publica/Pan American Journal of Public Health, vol. 45, 2021
J. G. Rodríguez-Castillo, C. Llerena, L. Argoty-Chamorro et al., «Population structure of multidrug-resistant Mycobacterium tuberculosis clinical isolates in Colombia,» Tuberculosis, vol. 125, 2020
A. Zabaleta, C. Llerena y A. Valbuena, «Tuberculosis resistente en menores de 15 años, Colombia 2010-2015,» Biomedica, vol. 39, n.o 2, págs. 330-338, 2019
S. Macalino, J. B. Billones, V. G. Organo y Carrillo, «In Silico Strategies in Tuberculosis Drug Discovery.,» Basel, Switzerland, vol. 25, n.o 3, 2020
S. Swaminathan, J. C. Sundaramurthi, A. N. Palaniappan y S. Narayanan, «Recent developments in genomics, bioinformatics and drug discovery to combat emerging drugresistant tuberculosis,» Tuberculosis, vol. 101, págs. 31-40, 2016
G. Mugumbate, B. Nyathi, A. Zindoga y G. Munyuki, «Application of Computational Methods in Understanding Mutations in Mycobacterium tuberculosis Drug Resistance,» Frontiers in Molecular Biosciences, vol. 8, 2021
X. Chen, J. Sa, M. Li e Y. Zhou, «Combined prediction model of tuberculosis based on generalized regression neural network,» en Proceedings of 2020 IEEE International Conference on Artificial Intelligence and Computer Applications, ICAICA 2020, Cited By :2, 2020, págs. 577-581.
K. Ghazvini, M. Yousefi, F. Firoozeh y S. Mansouri, «Predictors of tuberculosis: Application of a logistic regression model,» Gene Reports, vol. 17, 2019
R. S. Wallis, C. Wang, D. Meyer y N. Thomas, «Month 2 Culture Status and Treatment Duration as Predictors of Tuberculosis Relapse Risk in a Meta-Regression Model,» PLoS ONE, vol. 8, n.o 8, 2013
M. Hassam, J. A. Shamsi, A. Khan, A. Al-Harrasi y R. Uddin, «Prediction of inhibitory activities of small molecules against Pantothenate synthetase from Mycobacterium tuberculosis using Machine Learning models,» Computers in biology and medicine, vol. 145, 2022
T. R. Lane, F. Urbina, L. Rank et al., «Machine Learning Models for Mycobacterium tuberculosis in Vitro Activity: Prediction and Target Visualization,» Molecular Pharmaceutics, vol. 19, n.o 2, págs. 674-689, 2022
Y. Hu, Z. Morichaud, S. Chen, J.-P. Leonetti y K. Brodolin, «Mycobacterium tuberculosis RBPA protein is a new type of transcriptional activator that stabilizes the A -containing RNA polymerase holoenzyme,» Nucleic Acids Research, vol. 40, n.o 14, págs. 6547-6557, 2012
M. A. Isa, M. B. Abubakar, M. M. Mohammed, M. M. Ibrahim y F. A. Gubio, «Identification of potent inhibitors of ATP synthase subunit C (AtpE) from mycobacterium tuberculosis using in silico approach,» Heliyon, vol. 7, n.o 12, 2021
J. L. Houghton, T. Biswas, W. Chen, O. V. Tsodikov y S. Garneau-Tsodikova, «Chemical and structural insights into the regioversatility of the aminoglycoside acetyltransferase Eis,» European journal of chemical biology, vol. 7, n.o 14, 2013
C. W. Yap, «Padel-Descriptor: An Open Source Software to Calculate Molecular Descriptors and Fingerprints,» Journal of Computational Chemistry, vol. 32, n.o 7, 2010
C. A. Lipinski, F. Lombardo, B. W. Dominy y P. J. Feeney, «Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings,» Advanced Drug Delivery Reviews, vol. 46, n.o 1, págs. 3-26, 2001
P. R. Duchowicz, C. Talevi A.and Bellera, E. A. Castrp y L. E. Buno-Lanch, «Estudio QSPR Sobre Solubilidades Acuosas de Sustancias Orgánicas,» XXVI Congreso Argentino de Química Dr. Ángel del Carmen Devia, 2006.
C. Rauch, «Toward a mechanical control of drug delivery. On the relationship between Lipinski’s 2nd rule and cytosolic pH changes in doxorubicin resistance levels in cancer cells: A comparison to published data,» European Biophysics Journal, vol. 38, n.o 7, págs. 829-846, 2009
D. S. Diningrat, A. N. Sari, N. S. Harahap y Kusdianti, «IN SILICO STUDY OF THE TOXICITY AND ANTIVIRAL ACTIVITY PREDICTION OF JAMBLANG (Syzygium cumini) LEAVES ESSENTIAL OIL AS ACE2 INHIBITOR,» Pharmacologyonline, vol. 3, págs. 1334-1351, 2021
S. Hosseini, S. Ketabi y G. Hasheminasab, «QSAR study of antituberculosis activity of oxadiazole derivatives using DFT calculations,» Journal of Receptors and Signal Transduction, 2022.
S. Singh, K. R. Ramkumar y A. Kukkar, «Machine Learning Techniques and Implementation of Different ML Algorithms,» en 2021 2nd Global Conference for Advancement in Technology, GCAT 2021, 2021.
S. Singh, K. R. Ramkumar y A. Kukkar, Python Machine Learning: Unlock deeper insights into Machine Leaning with this vital guide to cutting-edge predictive analytics. 2015
F. Pedregosa, G. Varoquaux, A. Gramfort et al., «Scikit-learn: Machine Learning in Python,» Journal of Machine Learning Research, vol. 12, págs. 2825-2830, 2011
J. Shao, «Linear model selection by cross-validation,» Journal of the American Statistical Association, vol. 88, n.o 422, págs. 486-494, 1993
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
dc.format.extent.spa.fl_str_mv 27 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.program.spa.fl_str_mv Ingeniería Biomédica
institution Escuela Colombiana de Ingeniería Julio Garavito
bitstream.url.fl_str_mv https://repositorio.escuelaing.edu.co/bitstream/001/2095/1/Final.pdf
https://repositorio.escuelaing.edu.co/bitstream/001/2095/2/Autorizaci%c3%b3n%20de%20publicaci%c3%b3n%20tesis.pdf
https://repositorio.escuelaing.edu.co/bitstream/001/2095/3/license.txt
https://repositorio.escuelaing.edu.co/bitstream/001/2095/4/Final.pdf.txt
https://repositorio.escuelaing.edu.co/bitstream/001/2095/6/Autorizaci%c3%b3n%20de%20publicaci%c3%b3n%20tesis.pdf.txt
https://repositorio.escuelaing.edu.co/bitstream/001/2095/5/Final.pdf.jpg
https://repositorio.escuelaing.edu.co/bitstream/001/2095/7/Autorizaci%c3%b3n%20de%20publicaci%c3%b3n%20tesis.pdf.jpg
bitstream.checksum.fl_str_mv 945904aec734e76e6754db34bcb995c3
50c97b9d117961f26b0f7f600f7c4376
5a7ca94c2e5326ee169f979d71d0f06e
0a681d0b5872d60db145348f33000cce
5afd7f678193be8993fdef13f6b3fdea
7f36016bf8b9c03eacec7d9a5cc98d2e
d2b18b0dbdf352acd69a9b53a09b6a86
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Escuela Colombiana de Ingeniería Julio Garavito
repository.mail.fl_str_mv repositorio.eci@escuelaing.edu.co
_version_ 1814355626286907392
spelling Orjuela Cañón, Ávaro Davidbc8dfa1877ecebf22238479fefa5418dJutínico Alarcón, Andrés Leonardoad73191991923e85032ff80241acb18eHueza Echeverri, Mateo0119f10338a01c523b621f9aa87a1e126002022-07-28T20:17:50Z2022-07-28T20:17:50Z2022https://repositorio.escuelaing.edu.co/handle/001/2095https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23085https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23083En este documento se presenta un proyecto de investigación planteado desde el área de la bioinformática, en el que se busca dar una solución a la actual problemática de la drogorresistencia en tres proteínas presentes en cepas resistentes la especie bacteriana Mycobaterium tuberculosis. Se busca plantear y comparar modelos de predicción de valores de pIC50 (escala logarítmica del IC50), que hace referencia a la concentración necesaria del fármaco para disminuir la actividad de la proteína en un 50 %. Esta predicción servirá para nuevos fármacos, tomando como punto de partida la estructura molecular de compuestos químicos ya conocidos. Para ello se caracterizan con los datos provenientes de la base ChEMBL[3] y que tengan como proteína objetivo las proteínas N-Acetiltransferasa codificada por el gen eis, la ATP sintentasa subunidad c codificada por el gen atpE y por la Subunidad beta de ARN polimerasa dirigida por ADN codificada por el gen rpoB. Se esocogen estas proteínas dado que en ellas se presenta la resistencia a ciertos fármacos bactericidas de segunda y tercera línea. A cada compuesto se le calculan descriptores relacionados con la ley de lipinski: el peso molecular (MW), número de donadores de enlaces por puentes de hidrógeno (NumHDonnors), número de aceptores de enlaces por puentes de hidrógeno (NumHAcceptors) y el coeficinente de reparto octanol/agua (LogP); de igual manera se calcula una huella que cuenta con 881 descriptores que junto con los cuatro ya mencionados, se toman como la entrada de los modelos de regresión a plantear y los valores de pIC50 conocidos se toman como salida. Lo anterior corresponde al conjunto de entrenamiento con el que se generan diferentes modelos de regresión para esta predicción del pIC50. Para finalizar se comparan las características de funcionamiento de los modelos para así establecer los más adecuados para la problemática.This document presents a research project proposed from the area of ​​bioinformatics, which seeks to provide a solution to the current problem of drug resistance in three proteins present in resistant strains of the bacterial species Mycobacterium tuberculosis. The aim is to propose and compare prediction models for pIC50 values ​​(logarithmic scale of IC50), which refers to the concentration of the drug necessary to reduce protein activity by 50%. This prediction will serve for new drugs, taking as a starting point the molecular structure of already known chemical compounds. To do this, they are characterized with the data from the ChEMBL[3] database and that have as their target protein the N-Acetyltransferase proteins encoded by the eis gene, the ATP synthetase subunit c encoded by the atpE gene and by the RNA polymerase beta subunit directed by DNA encoded by the rpoB gene. These proteins are chosen because they show resistance to certain second- and third-line bactericidal drugs. Descriptors related to Lipinski's law are calculated for each compound: molecular weight (MW), number of hydrogen bond donors (NumHDonnors), number of hydrogen bond acceptors (NumHAcceptors) and the coefficient of octanol/water partition (LogP); In the same way, a fingerprint is calculated that has 881 descriptors that, together with the four already mentioned, are taken as the input of the regression models to be proposed and the known pIC50 values ​​are taken as output. The above corresponds to the training set with which different regression models are generated for this pIC50 prediction. Finally, the operating characteristics of the models are compared in order to establish the most appropriate for the problem.PregradoIngeniero(a) Biomédico(a)27 páginasapplication/pdfspaEstudio de modelos de aprendizaje automático para Tuberculosis en el proceso de Drug DiscoveryTrabajo de grado - Pregradoinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_970fb48d4fbd8a85Ingeniería BiomédicaN/AA. Natarajan, P. Beena, A. V. Devnikar y S. Mali, «A systemic review on tuberculosis,» Indian Journal of Tuberculosis, vol. 67, n.o 3, págs. 295-311, 2020A. Zabaleta y C. Llerena, «Extensively resistant tuberculosis, Colombia, 2006-2016,» Biomedica, vol. 39, n.o 4, págs. 707-714, 2019,D. Mendez, A. Gaulton, A. P. Bento et al., «ChEMBL: towards direct deposition of bioassay data,» Nucleic Acids Research, vol. 47, n.o D1, págs. D930-D940, nov. de 2018.C. Silva, V. Bermúdez, N. Arraiz, F. Bermúdez, M. Rodríguez y L. V. E. Leal., «Fármacos de primera línea utilizados en el tratamiento de la tuberculosis,» Archivos Venezolanos de Farmacología y Terapéutica, 2007.N. A. Shaik, K. R. Hakeem, B. Banaganapalli y R. Elango, Essentials of Bioinformatics Volume II, In Silico Life Sciences: Medicine. Springer, 2019.G. Singh, P. Kesharwani y A. K. Srivastava, «Tuberculosis treated by multiple drugs: An overview,» Current Drug Delivery, vol. 15, n.o 3, págs. 312-320, 2018C. E. Rincón-Torres, V. Rubio, C. Castro et al., «National Network for Knowledge Management, Research, and Innovation in Tuberculosis in Colombia,» Revista Panamericana de Salud Publica/Pan American Journal of Public Health, vol. 45, 2021J. G. Rodríguez-Castillo, C. Llerena, L. Argoty-Chamorro et al., «Population structure of multidrug-resistant Mycobacterium tuberculosis clinical isolates in Colombia,» Tuberculosis, vol. 125, 2020A. Zabaleta, C. Llerena y A. Valbuena, «Tuberculosis resistente en menores de 15 años, Colombia 2010-2015,» Biomedica, vol. 39, n.o 2, págs. 330-338, 2019S. Macalino, J. B. Billones, V. G. Organo y Carrillo, «In Silico Strategies in Tuberculosis Drug Discovery.,» Basel, Switzerland, vol. 25, n.o 3, 2020S. Swaminathan, J. C. Sundaramurthi, A. N. Palaniappan y S. Narayanan, «Recent developments in genomics, bioinformatics and drug discovery to combat emerging drugresistant tuberculosis,» Tuberculosis, vol. 101, págs. 31-40, 2016G. Mugumbate, B. Nyathi, A. Zindoga y G. Munyuki, «Application of Computational Methods in Understanding Mutations in Mycobacterium tuberculosis Drug Resistance,» Frontiers in Molecular Biosciences, vol. 8, 2021X. Chen, J. Sa, M. Li e Y. Zhou, «Combined prediction model of tuberculosis based on generalized regression neural network,» en Proceedings of 2020 IEEE International Conference on Artificial Intelligence and Computer Applications, ICAICA 2020, Cited By :2, 2020, págs. 577-581.K. Ghazvini, M. Yousefi, F. Firoozeh y S. Mansouri, «Predictors of tuberculosis: Application of a logistic regression model,» Gene Reports, vol. 17, 2019R. S. Wallis, C. Wang, D. Meyer y N. Thomas, «Month 2 Culture Status and Treatment Duration as Predictors of Tuberculosis Relapse Risk in a Meta-Regression Model,» PLoS ONE, vol. 8, n.o 8, 2013M. Hassam, J. A. Shamsi, A. Khan, A. Al-Harrasi y R. Uddin, «Prediction of inhibitory activities of small molecules against Pantothenate synthetase from Mycobacterium tuberculosis using Machine Learning models,» Computers in biology and medicine, vol. 145, 2022T. R. Lane, F. Urbina, L. Rank et al., «Machine Learning Models for Mycobacterium tuberculosis in Vitro Activity: Prediction and Target Visualization,» Molecular Pharmaceutics, vol. 19, n.o 2, págs. 674-689, 2022Y. Hu, Z. Morichaud, S. Chen, J.-P. Leonetti y K. Brodolin, «Mycobacterium tuberculosis RBPA protein is a new type of transcriptional activator that stabilizes the A -containing RNA polymerase holoenzyme,» Nucleic Acids Research, vol. 40, n.o 14, págs. 6547-6557, 2012M. A. Isa, M. B. Abubakar, M. M. Mohammed, M. M. Ibrahim y F. A. Gubio, «Identification of potent inhibitors of ATP synthase subunit C (AtpE) from mycobacterium tuberculosis using in silico approach,» Heliyon, vol. 7, n.o 12, 2021J. L. Houghton, T. Biswas, W. Chen, O. V. Tsodikov y S. Garneau-Tsodikova, «Chemical and structural insights into the regioversatility of the aminoglycoside acetyltransferase Eis,» European journal of chemical biology, vol. 7, n.o 14, 2013C. W. Yap, «Padel-Descriptor: An Open Source Software to Calculate Molecular Descriptors and Fingerprints,» Journal of Computational Chemistry, vol. 32, n.o 7, 2010C. A. Lipinski, F. Lombardo, B. W. Dominy y P. J. Feeney, «Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings,» Advanced Drug Delivery Reviews, vol. 46, n.o 1, págs. 3-26, 2001P. R. Duchowicz, C. Talevi A.and Bellera, E. A. Castrp y L. E. Buno-Lanch, «Estudio QSPR Sobre Solubilidades Acuosas de Sustancias Orgánicas,» XXVI Congreso Argentino de Química Dr. Ángel del Carmen Devia, 2006.C. Rauch, «Toward a mechanical control of drug delivery. On the relationship between Lipinski’s 2nd rule and cytosolic pH changes in doxorubicin resistance levels in cancer cells: A comparison to published data,» European Biophysics Journal, vol. 38, n.o 7, págs. 829-846, 2009D. S. Diningrat, A. N. Sari, N. S. Harahap y Kusdianti, «IN SILICO STUDY OF THE TOXICITY AND ANTIVIRAL ACTIVITY PREDICTION OF JAMBLANG (Syzygium cumini) LEAVES ESSENTIAL OIL AS ACE2 INHIBITOR,» Pharmacologyonline, vol. 3, págs. 1334-1351, 2021S. Hosseini, S. Ketabi y G. Hasheminasab, «QSAR study of antituberculosis activity of oxadiazole derivatives using DFT calculations,» Journal of Receptors and Signal Transduction, 2022.S. Singh, K. R. Ramkumar y A. Kukkar, «Machine Learning Techniques and Implementation of Different ML Algorithms,» en 2021 2nd Global Conference for Advancement in Technology, GCAT 2021, 2021.S. Singh, K. R. Ramkumar y A. Kukkar, Python Machine Learning: Unlock deeper insights into Machine Leaning with this vital guide to cutting-edge predictive analytics. 2015F. Pedregosa, G. Varoquaux, A. Gramfort et al., «Scikit-learn: Machine Learning in Python,» Journal of Machine Learning Research, vol. 12, págs. 2825-2830, 2011J. Shao, «Linear model selection by cross-validation,» Journal of the American Statistical Association, vol. 88, n.o 422, págs. 486-494, 1993info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Aprendizaje automático - TuberculosisBioinformaticaIngeniería biomédicabioinformáticaAprendizaje automático - TuberculosisIngeniería biomédicaBiomedical engineeringORIGINALFinal.pdfFinal.pdfapplication/pdf505071https://repositorio.escuelaing.edu.co/bitstream/001/2095/1/Final.pdf945904aec734e76e6754db34bcb995c3MD51open accessAutorización de publicación tesis.pdfAutorización de publicación tesis.pdfapplication/pdf464578https://repositorio.escuelaing.edu.co/bitstream/001/2095/2/Autorizaci%c3%b3n%20de%20publicaci%c3%b3n%20tesis.pdf50c97b9d117961f26b0f7f600f7c4376MD52open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81881https://repositorio.escuelaing.edu.co/bitstream/001/2095/3/license.txt5a7ca94c2e5326ee169f979d71d0f06eMD53open accessTEXTFinal.pdf.txtFinal.pdf.txtExtracted texttext/plain47790https://repositorio.escuelaing.edu.co/bitstream/001/2095/4/Final.pdf.txt0a681d0b5872d60db145348f33000cceMD54open accessAutorización de publicación tesis.pdf.txtAutorización de publicación tesis.pdf.txtExtracted texttext/plain3721https://repositorio.escuelaing.edu.co/bitstream/001/2095/6/Autorizaci%c3%b3n%20de%20publicaci%c3%b3n%20tesis.pdf.txt5afd7f678193be8993fdef13f6b3fdeaMD56open accessTHUMBNAILFinal.pdf.jpgFinal.pdf.jpgGenerated Thumbnailimage/jpeg7401https://repositorio.escuelaing.edu.co/bitstream/001/2095/5/Final.pdf.jpg7f36016bf8b9c03eacec7d9a5cc98d2eMD55open accessAutorización de publicación tesis.pdf.jpgAutorización de publicación tesis.pdf.jpgGenerated Thumbnailimage/jpeg13099https://repositorio.escuelaing.edu.co/bitstream/001/2095/7/Autorizaci%c3%b3n%20de%20publicaci%c3%b3n%20tesis.pdf.jpgd2b18b0dbdf352acd69a9b53a09b6a86MD57open access001/2095oai:repositorio.escuelaing.edu.co:001/20952022-07-29 03:03:36.962open accessRepositorio Escuela Colombiana de Ingeniería Julio Garavitorepositorio.eci@escuelaing.edu.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

Publicaciones similares