Metodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos.
Ilustraciones, gráficas
- Autores:
-
Narváez Prado, Carlos Wilfredo
- Tipo de recurso:
- Masters Thesis
- Fecha de publicación:
- 2021
- Institución:
- Universidad de Caldas
- Repositorio:
- Repositorio Institucional U. Caldas
- Idioma:
- eng
spa
- OAI Identifier:
- oai:repositorio.ucaldas.edu.co:ucaldas/17092
- Acceso en línea:
- https://repositorio.ucaldas.edu.co/handle/ucaldas/17092
https://repositorio.ucaldas.edu.co/
- Palabra clave:
- Biología molecular
Análisis de sistemas
Proteínas
semi-supervisado
Proteinas
Aprendizaje
Fungi
Anotación
Transductivas
Bioinformatics
- Rights
- closedAccess
- License
- http://purl.org/coar/access_right/c_14cb
| id |
RUCALDAS2_437c922a09ca26dd55fe295b705d7186 |
|---|---|
| oai_identifier_str |
oai:repositorio.ucaldas.edu.co:ucaldas/17092 |
| network_acronym_str |
RUCALDAS2 |
| network_name_str |
Repositorio Institucional U. Caldas |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Metodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos. |
| title |
Metodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos. |
| spellingShingle |
Metodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos. Biología molecular Análisis de sistemas Proteínas semi-supervisado Proteinas Aprendizaje Fungi Anotación Transductivas Bioinformatics |
| title_short |
Metodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos. |
| title_full |
Metodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos. |
| title_fullStr |
Metodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos. |
| title_full_unstemmed |
Metodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos. |
| title_sort |
Metodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos. |
| dc.creator.fl_str_mv |
Narváez Prado, Carlos Wilfredo |
| dc.contributor.advisor.none.fl_str_mv |
Jaramillo-Garzón, Jorge Alberto |
| dc.contributor.author.none.fl_str_mv |
Narváez Prado, Carlos Wilfredo |
| dc.contributor.researchgroup.spa.fl_str_mv |
GITIR Grupo de Investigación en Tecnologías de la Información y Redes (Categoría A) |
| dc.subject.lemb.none.fl_str_mv |
Biología molecular Análisis de sistemas Proteínas |
| topic |
Biología molecular Análisis de sistemas Proteínas semi-supervisado Proteinas Aprendizaje Fungi Anotación Transductivas Bioinformatics |
| dc.subject.proposal.spa.fl_str_mv |
semi-supervisado Proteinas Aprendizaje Fungi Anotación Transductivas |
| dc.subject.proposal.eng.fl_str_mv |
Bioinformatics |
| description |
Ilustraciones, gráficas |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-08-31T13:48:49Z |
| dc.date.available.none.fl_str_mv |
2021-12-21 2021-08-31T13:48:49Z |
| dc.date.issued.none.fl_str_mv |
2021-08-26 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_bdcc |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TM |
| format |
http://purl.org/coar/resource_type/c_bdcc |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.ucaldas.edu.co/handle/ucaldas/17092 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad de Caldas |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio institucional Universidad de Caldas |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.ucaldas.edu.co/ |
| url |
https://repositorio.ucaldas.edu.co/handle/ucaldas/17092 https://repositorio.ucaldas.edu.co/ |
| identifier_str_mv |
Universidad de Caldas Repositorio institucional Universidad de Caldas |
| dc.language.iso.spa.fl_str_mv |
eng spa |
| language |
eng spa |
| dc.relation.references.spa.fl_str_mv |
Alberts, B., Johnson, A., Lewis, J., Ra_, M., Roberts, K., and Walter, P. (1997). Molecular Biology of the Cell (Garland Science, New York, 2002). Al-Shahib, A., Breitling, R., & Gilbert, D. R. (2007). Predicting protein function by machine learning on amino acid sequences--a critical evaluation. BMC genomics, 8, 78. doi:10.1186/1471-2164-8-78 Avelino, J., Cristancho, M., Georgiou, S., Imbach, P., Aguilar, L., Bornemann, G., & Morales, C. (2015). The coffee rust crises in Colombia and Central América (2008–2013): impacts, plausible causes and proposed solutions. Food Security, 7(2), 303-321. Ball, G. R., & Srihari, S. N. (2009). Semi-supervised Learning for Handwriting Recognition. 2009 10th International Conference on Document Analysis and Recognition, 26-30. Bennett, K. and Demiriz, A. Semi-supervised support vector machines. In M. S. Kearns, S. A. Solla, and D. A. Cohn, editors, Advances in Neural Information Processing Systems 12, pages 368-374. MIT Press, Cambridge, MA, 1998. Bi, R., Zhou, Y., Lu, F., & Wang, W. (2006). Predicting Gene Ontology functions based on support vector machines and statistical significance estimation. Neurocomputing, 70, 718-725. doi:10.1016/j.neucom.2006.10.006 Boser, E. Guyon, I. M. and Vapnik, V. N. A training algorithm for optimal margin classi_ers. In Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory, pages 144-152, Pittsburgh, PA, 1992. ACM Press. Cardona, A. Pineda, J. (2015). Metodología para la predicción de funciones en proteínas Embryophyta usando kernels de secuencias. Trabajo de grado de Ingeniería Mecatrónica Instituto Tecnológico Metropolitano: Medellín. 58 p. Castillo, L. F., López-Gartner, G., Isaza, G. A., Sánchez, M., Arango, J., Agudelo-Valencia, D., & Castaño, S. (2015). GITIRBio: A Semantic and Distributed Service Oriented - Architecture for Bioinformatics Pipeline. Journal of integrative bioinformatics, 12(1), 255. Cai, C. Z., Han, L. Y., Ji, Z. L., Chen, X., & Chen, Y. Z. (2003). SVM-Prot: web-based support vector machine software for functional classification of a protein from its primary sequence. Nucleic acids research, 31(13), 3692-3697. doi:10.1093/nar/gkg600 Camon, E., Magrane, M., Barrell, D., Lee, V., Dimmer, E., Maslen, J., Binns, D., et al. (2004). The Gene Ontology Annotation (GOA) Database: sharing knowledge in Uniprot with Gene Ontology. Nucleic acids research, 32(Database issue), D262--6. doi:10.1093/nar/gkh021 Chapelle, O., & Zien, A. (2005). Semi-Supervised Classification by Low Density Separation. Proceedings of the Tenth International Workshop on Artificial Intelligence and Statistics (pp. 57–64). Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: synthetic minority over-sampling technique. Journal of artificial intelligence research, 16(1), 321- 357. Cheng, V., & Li, C. H. (2006). Personalized Spam Filtering with Semi-supervised Classifier Ensemble Classification of emails using SVM and naïve Bayes Classifier. Intelligence, 0-6. Chou, K.-C., & Shen, H.-B. (2010). Plant-mPLoc: a top-down strategy to augment the power for predicting plant protein subcellular localization. PloS one, 5(6), e11335. doi:10.1371/journal.pone.0011335 Collobert, R. Sinz, Fabian. Weston, Jason. Bottou, L. (2006). Largue Scale Transductive SVMs. Journal of Machine Learning Research. 1687-1712. 26 p. Collobert, R. Sinz, F. Weston, J. and Bottou, L. Trading convexity for scalability. In ICML '06: Proceedings of the 23rd international conference on Machine learning, pages 201- 208, New York, NY, USA, 2006. ACM Press. Comité de Cafeteros de Antioquia. (2018). Colombia es el país con menor prevalencia de roya del cafeto en el mundo. Medellín: Federación Nacional de Cafeteros Antióquia. Recuperado de https://fncantioquia.org/colombia-es-el-pais-con-menor-prevalencia-deroya-del-cafeto-en-el-mundo/. Conesa, A., & Götz, S. (2008). Blast2GO: A Comprehensive Suite for Functional Analysis in Plant Genomics. International journal of plant genomics, 2008, 619832. doi:10.1155/2008/619832 Cristancho, M. A., Rozo, Y., Escobar, C., Rivillas, C. A., & Gaitán, A. L. (2012). Outbreak of coffee leaf rust (Hemileia vastatrix) in Colombia. New Disease Reports, 25, 19. Cristancho, M. A., Botero-Rozo, D. O., Giraldo, W., Tabima, J., Riaño-Pachón, D. M., Escobar, C., & Eilam, T. (2014a). Annotation of a hybrid partial genome of the coffee rust (Hemileia vastatrix) contributes to the gene repertoire catalog of the Pucciniales. Frontiers in plant science, 5, 594. Cristancho, M., Giraldo, W., Botero, D., Tabima, J., Ortiz, D., Peralta, A., & Riaño, D. (2014b). Application of Genome Studies of Coffee Rust. In Advances in Computational Biology (pp. 133-139). Springer International Publishing. Developers. (2019). Developers. Mexico: machine–learning. Recuperado de: (https://developers.google.com/machine-learning/glossary?hl=es-419). Docsity. 2019. Aminoácidos escenciales, Apuntes de Biología Celular. Centro Mexicano de Estomatología: docsity.com. Recuperado de https://www.docsity.com/es /aminoacidosescenciales/5141782/ Duan, K., Keerthi, S. S., & Poo, A. N. (2003). Evaluation of simple performance measures for tuning SVM hyperparameters. Neurocomputing, 51, 41-59. El Quindiano. (2020). Quindío tiene los niveles más altos de roya del café en Colombia. Armenia: El quindiano. Recuperado de https://www.elquindiano.com/noticia/17253/. Emanuelsson, O. and Nielsen, H. and Brunak, S. and von Heijne, G. (2000). Predicting subcellular localization of proteins based on their N-terminal amino acid sequence, Journal of molecular Biology 300 (4). Elsevier. Eskin, E., Weston, J., Noble, W. S., & Leslie, C. S. (2002). Mismatch string kernels for SVM protein classification. In Advances in neural information processing systems (pp. 1417- 1424). Estética médica. (2020). Guía Ortomolécular. Buenos Aires: esteticamedica. Recuperado de: http://www.esteticamedica.info/noticias/val/89-51/las-investigaciones-de-paulingen-biologia-molecular.html Gálvez. (2017). Hidden-nature. Sevilla: nombre de la página web. Recuperado de https://www.hidden-nature.com-cual-es-la-estructura-de-los-aminoacidos. Gao, Xianwei. Hu, Changzhen. Shan, Chun. Liu, Baoxu. Niu, Zequn. Xie, Hui. (2020). Malware classification for the cloud via semi supervised transfer learning. ScienceDirect Journal of Information Security and Applications. Beijing. 13p. Genome 2020. Genome. Kyoto University Bioinformatics Center: Aaindex. Recuperado de http://www.genome.jp/aaindex/ Guarnizo. (2015) Metodología para la selección de la métrica de distancia en Neighborhood Kernels para clasificación semi-supervisada de secuencias proteicas. Bioinformática. Tesis de Maestría. Facultad de Ingeniería, Instituto Tecnológico Metropolitano: Medellín. 96 p. Han, Zhezhe. Li, Jian. Zhang, Biao. Hossain, Moinul. Xu, Chuanlong. (2020). Predicttion of combustión state throung a semi-supervised learning model and flame imaging. ScienceDirect Journal of Information in Fuel. Nanking. 15p Jaramillo-Garzón, J., Gallardo-Chacón, J., Castellanos-Domínguez, C. and Perera-Lluna, A. (2013). Predictability of gene ontology slim-terms from primary structure information in Embryophyta plant proteins. BMC Bioinformatics 2013. 14:68. Jensen, L. J., Gupta, R., Staerfeldt, H. H., & Brunak, S. (2003). Prediction of human protein function according to Gene Ontology categories. Bioinformatics, 19(5), 635-642. Jian, Meng & Jung, Cheolkon. (2020). Semi-supervised kernel Matrix Learning Using Adaptative Constraint-Based Seed Propagation, Pattern Recognition. Journal Pre-proof. ScienceDirect. Beijing. 21 p Joachims, T. Making large-scale support vector machine learning practical. In B. Schöolkopf, C. Burges, and A. Smola, editors, Advances in Kernel Methods. The MIT Press, 1999a. Joachims, T. Transductive inference for text classi_cation using support vector machines. In International Conference on Machine Learning, ICML, 1999b. Jung, J., & Thon, M. R. (2008, December). Gene function prediction using protein domain probability and hierarchical gene ontology information. In Pattern Recognition, 2008. ICPR 2008. 19th International Conference on (pp. 1-4). IEEE. doi:10.1109/ICPR.2008.4761737 Jung, J., Yi, G., Sukno, S. a, & Thon, M. R. (2010). PoGO: Prediction of Gene Ontology terms for fungal proteins. BMC bioinformatics, 11, 215. doi:10.1186/1471-2105-11-215 Kawashima, S. and Kanehisa, M. (2000). AAindex: amino acid index database. Nucleic acids research, 28(1):374-374. 47, 57 King, R. D., Wise, P. H., & Clare, A. (2004). Confirmation of data mining based predictions of protein function. Bioinformatics (Oxford, England), 20(7), 1110-1118. doi:10.1093/bioinformatics/bth047. King, B. R. (2009). Protein sequence classification with Bayesian supervised and semisupervised learned classifiers. Evaluation. STATE UNIVERSITY OF NEW YORK AT ALBANY. Retrieved from http://gradworks.umi.com/33/38/3338851.html Krause, N. and Singer, Y. Leveraging the margin more carefully. In International Conference on Machine Learning, ICML, 2004. Kuksa, P. P., Huang, P. H., & Pavlovic, V. (2009). Scalable algorithms for string kernels with inexact matching. In Advances in Neural Information Processing Systems (pp. 881- 888). Le Thi, H. A. Analyse num_erique des algorithmes de l'optimisation D.C. Approches locales et globale. Codes et simulations num_eriques en grande dimension. Applications. PhD thesis, INSA, Rouen, 1994. LeCun, Y. Bottou, L. Orr, G. B. and Müller, K.-R. E_cient backprop. In G.B. Orr and K.-R. Müller, editors, Neural Networks: Tricks of the Trade, pages 9{50. Springer, 1998. Leslie, C. S., Eskin, E., & Noble, W. S. (2002, January). The spectrum kernel: A string kernel for SVM protein classification. In Pacific symposium on biocomputing (Vol. 7, pp. 566-575). Li, Zerui. Kang, Yu. Feng, Deyong. Wang, Xing-Mou. Lv, Wenjun. Chang, Ji. Zheng, Wei Xing. Semi-supervised learning for lithology identification using Laplacian support vector machine. Elsevier Journal of Petroleum Science and Engineering. Hefei. 13p. Li, Wenjuan. Meng, Weizhi. Au, Man Ho. (). Enhancing collaborative intrusion detection via disagreement-based semi-supervised learning in IoT enviroments. Elsevier Journal of Network and Computer Applicaions. Hong Kong. 9p. Li, T., Yang, J., Peng, X., Chen, Z., & Luo, C. (2008). Prediction and Early Warning Method for Flea Beetle Based on Semi-supervised Learning Algorithm. 2008 Fourth International Conference on Natural Computation, 217-221. Li, W. & Godzik, A. Cd-hit: a fast program for clustering and comparing large sets of protein or nucleotide sequences. Bioinformatics, 22(13):1658–1659, 2006. Lodhi, H., Saunders, C., Shawe-Taylor, J., Cristianini, N., & Watkins, C. (2002). Text classification using string kernels. The Journal of Machine Learning Research, 2, 419-444. Longstaff, B., Reddy, S., & Estrin, D. (2010). Improving Activity Classification for Health Applications on Mobile Devices using Active and Semi-Supervised Learning. Martínez. (2017). Udec. Concepción: jmartinez Capitulo 6. Recuperado de http://www2.udec.cl/~jmartine/img00141.gif Mason, L. Bartlett, P. L. and Baxter, J. Improved generalization through explicit optimization of margins. Machine Learning, 38(3):243-255, 2000. National Human Genome Research Institute. (2006). Wikimedia Commons. Maryland: uaeh. Recuperado de https://www.uaeh.edu.mx/scige/boletin /icbi/n1/multimedia /e7/e7_3.jpg Nucleic Acid Research. (2020). Nucleic Acid Research. Oxford: academic. Recuperado de https://academic.oup.com/nar. Platt, J. (1999). Fast training of support vector machines using sequential minimal optimization. Advances in kernel methods—support vector learning, 3. Predictiva. (2020). Predictiva. Medellín: Aprendizaje Semi-Supervisado. Recuperado de http://www.predictiva.com.co/blog-predictiva/aprendizaje-semi-supervisado. Quackenbush, J., Cho, J., Lee, D., Liang, F., Holt, I., Karamycheva, S., & White, J. (2001). The TIGR Gene Indices: analysis of gene transcript sequences in highly sampled eukaryotic species. Nucleic Acids Research,29(1), 159-164. QuickGO. 2020. QuickGo. Instituto Europeo de Bioinformática (EMBL-EBI) Cambridge, UK: ebi.ac.uk. Recuperado de: https://www.ebi.ac.uk/QuickGO/term/GO:... Reyes, A. (2015, 16 de marzo). Biología computacional en colombia ¿cómo vamos? Sistemas. Recuperado de https://sistemas.uniandes.edu.co/biologia-computacional-encolombia-como-vamos/ Raisman. (2007). Hipertextos del área de la Biología. Argentina: Biología. Recuperado de http://www.biologia.edu.ar/macromoleculas/structup.htm Scicluna. 2011. Boom’in Science. Georgia: boominscience.weebly.com. Recuperado de http://boominscience.weebly.com/blog/3d-diagram-of-the-cell Shen, X. Tseng, G. C. Zhang, X. and Wong, W. H. On (psi)-learning. Journal of the American Statistical Association, 98(463):724{734, 2003. Shimizu, K., Hirose, S., and Noguchi, T. (2007). POODLE-S: web application for predicting protein disorder by using physicochemical features and reduced amino acid set of a position-speci_c scoring matrix. Bioinformatics, 23(17):2337-2338. 41, 42, 48 Small, I. and Peeters, N. and Legeai, F. and Lurin, C (2004). Predotar: A tool for rapidly screening proteomes for N-terminal targeting sequences. Proteomics, 4 (6), 1581-1590, Wiley Online Library Smola, A. J. Vishwanathan, S. V. N. and Hofmann, T. Kernel methods for missing variables. In Proceedings of the Tenth International Workshop on Arti_cial Intelligence and Statistics, 2005. UNAM. (2020). Curso para la UNAM, Ciudad de México: Educapedia.org. Recuperado de https://cursoparalaunam.com/enlace-peptidico. Uniprot. (2020). Uniprot. Cambridge UK: Uniprot.org. Recuperado de https://www.uniprot.org/ Universidad de Caldas (2009). Plan de desarrollo 2009 – 2018. Centro Editorial Universidad de Caldas, Manizales. Uribe. (2017). Detección de proteínas desordenadas. Tesis de PhD. Programa Doctoral en Ingeniería Electrónica y Ciencias de la Computación, Universidad de Antioquia: Medellín. 238 p. V. Vapnik. The Nature of Statistical Learning Theory. Springer, second edition, 1995. Vapnik, V. and Cortes, C. (1995). Support-vector networks. Machine Learning, 20(3):273{297. 42, 47, 100 V. N. Vapnik. Estimation of Dependences Based on Empirical Data. Springer Verlag Series in Statistics. Springer Verlag, 1982. Vargas. (2017). SlidePlayer. California: PROTEINAS De todo, un poco o las prolifuncionales…. Recuperado de http://slideplayer.es. Yuille, A.L. and Rangarajan, A. The concave-convex procedure (CCCP). In T. G. Dietterich, S. Becker, and Z. Ghahramani, editors, Advances in Neural Information Processing Systems 14, Cambridge, MA, 2002. MIT Press. Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 3(1), 1-130. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_14cb |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/closedAccess |
| eu_rights_str_mv |
closedAccess |
| rights_invalid_str_mv |
http://purl.org/coar/access_right/c_14cb |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
Manizales |
| dc.publisher.program.spa.fl_str_mv |
Maestría en Ingeniería Computacional |
| institution |
Universidad de Caldas |
| bitstream.url.fl_str_mv |
https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/1/Carlos%20Wilfredo_Narv%c3%a1ez%20Prado2021.pdf https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/2/2ACTA%20DE%20SUSTENTACION%20CARLOS%20NARV%c3%81EZ%20%282%29.pdf https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/3/3carta-autorizacion-despues-08-2020CarlosNarv%c3%a1ez.pdf https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/4/license.txt https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/5/Carlos%20Wilfredo_Narv%c3%a1ez%20Prado2021.pdf.txt https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/7/2ACTA%20DE%20SUSTENTACION%20CARLOS%20NARV%c3%81EZ%20%282%29.pdf.txt https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/9/3carta-autorizacion-despues-08-2020CarlosNarv%c3%a1ez.pdf.txt https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/6/Carlos%20Wilfredo_Narv%c3%a1ez%20Prado2021.pdf.jpg https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/8/2ACTA%20DE%20SUSTENTACION%20CARLOS%20NARV%c3%81EZ%20%282%29.pdf.jpg https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/10/3carta-autorizacion-despues-08-2020CarlosNarv%c3%a1ez.pdf.jpg |
| bitstream.checksum.fl_str_mv |
b98f5bc9097ae3554885ac9fef9eb3a6 2e0b4919969c36f78fc9b63e6f279796 375368192beec4a78f58f6c22d2fb98b 2f9959eaf5b71fae44bbf9ec84150c7a 912a87b4a5c16540c775339a16eb701b 9a9b8d9ae0fc9be07046d45b33c0d547 119e3fc8287c4bc9d13996aacfc2e7d1 2ee63e7cbf4a41e97c725364879ad872 6496342e2f7a92eff779a911f5c17ffa 8fbe41159e1d0e93e8c664ecd87f756f |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Digital de la Universidad de Caldas |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1800536093304553472 |
| spelling |
Jaramillo-Garzón, Jorge Albertof2318b584257d89ae3dd6370711f4606Narváez Prado, Carlos Wilfredo28532cfe13eea6fd61c27705fa7ad135GITIR Grupo de Investigación en Tecnologías de la Información y Redes (Categoría A)2021-08-31T13:48:49Z2021-12-212021-08-31T13:48:49Z2021-08-26https://repositorio.ucaldas.edu.co/handle/ucaldas/17092Universidad de CaldasRepositorio institucional Universidad de Caldashttps://repositorio.ucaldas.edu.co/Ilustraciones, gráficasspa:El análisis de los datos genómicos por procedimientos experimentales de laboratorio se ha caracterizado por ser muy demorado y costoso, generando una brecha bastante grande entre datos de origen biológico analizados y datos sin ningún tipo de tratamiento, este problema ha sido resuelto en los últimos años con la bioinformática; el avance en la ciencia ha permitido incrementar considerablemente la información genética de la mayoría de organismos biológicos. La bioinformática se ha consolidado como una herramienta moderna, la cual, con base en métodos computacionales y grandes bases de datos, permite realizar análisis genómicos, transcriptónicos y proteómicos; su importancia radica en que ahora es posible intervenir de manera económica y rápida en el análisis de datos biológicos, lo cual, sin duda alguna, redunda en grandes avances en la investigación de la genómica funcional y estructural. De igual forma, la bioinformática permite proporcionar inferencias valiosas desde el punto de vista evolutivo, especialmente con los hongos, los cuales tan solo tienen cinco grupos evolutivos estables, de acuerdo a la clasificación de sus órganos reproductores. EL presente proyecto propone una metodología para la clasificación de proteínas a partir de estrategias basadas en el aprendizaje de máquina semi-supervisado, el cual es probado sobre bases de datos UniProtKB/Swiss-Prot, las cuales se encuentran solo parcialmente analizadas, es decir, contienen datos etiquetados (analizados) y una gran mayoría de datos no etiquetados (sin ningún tipo de análisis de las secuencias proteicas). En el documento se aborda el estado actual del tema de investigación, se explica conceptos básicos de biología molecular y bioinformática, tales como: aminoácidos, proteínas, funciones moleculares, ontología genética, análisis de proteínas, aprendizaje de máquina semi-supervisada, máquinas de vectores de soporte, entrenamiento y clasificación de secuencias proteicas, etc., también se hace una descripción detallada paso a paso del proceso realizado: estructuración de las bases de datos, implementación, validación y análisis de resultados de los dos modelos de clasificación escogidos: máquinas de vectores de soporte transductivas (TSVM) y máquinas de vectores de soporte clásicas (KSVM). La ejecución de este proyecto facilita la comprensión de los organismos fúngicos y por su puesto el entendimiento del comportamiento del hongo “Hemileia vastatrix” también llamado “roya del café”, este organismo es de especial interés para los temas de investigación de la universidad colombiana, sin duda alguna, generará beneficios económicos y científicos para el gremio caficultor nacional. La comprensión de estos organismos puede servir para idear estrategias de erradicación o inhibición de estos organismos, los cuales generan daños en los cultivos de café, especialmente en el centro del país.eng:Bioinformatics has been consolidated as a modern tool, which, based on computational methods and large databases, allows to carry out genomic, transcriptonic and proteomic analyzes. Its importance lies in fact that the biological analysis of data becomes faster and economically feasible, which without any doubt constitutes a great advance in the research of functional and structural genomics. In the same way, bioinformatics allow to provide valuable inferences from the evolutionary point of view, especially with fungi population, of which just five stable groups are distinguished, according to a classification based on their reproductive organs. The present project proposes a methodology for the classification of proteins from strategies based on semi-supervised machine learning, which is tested on UniProtKB / Swiss-Prot databases. Proteins are just partially analyzed, that is, they contain labeled (analyzed) data and unlabeled data (without any protein sequence analysis). This document addresses the current state of the research topic, explains basic concepts of molecular biology and bioinformatics such as: amino acids, proteins, molecular functions, genetic ontology, protein analysis, semi-supervised machine learning, vector machines support, training and classification of protein sequences, etc. There is also a detailed step-by-step description of the process carried out: databases structuring, implementation, validation and analysis of the results of two classification models chosen: Transductive Support Vector Machines (TSVM) and classical Support Vector Machines (KSVM). The execution of this project facilitates the understanding of fungal organisms and of course the behavior understanding of the fungus “Hemileia vastatrix” also called "coffee rust". This biological organism is of special interest for the Colombian university research and without any doubt will generate economic and scientific benefits for the national coffee grower union. Understanding these organisms can be used to devise strategies to eradicate or inhibit these organisms which damage coffee crops especially in the center of the country.1 INTRODUCCIÓN/ 1.1 CAMPO TEMÁTICO / 1.2 PLANTEAMIENTO DEL PROBLEMA / 1.3 JUSTIFICACIÓN/ 1.4 OBJETIVOS / 1.4.1 OBJETIVO GENERAL/ 1.4.2 OBJETIVOS ESPECÍFICOS / 2 MARCO TEÓRICO Y ESTADO DEL ARTE / 2.1 CONCEPTOS BÁSICOS SOBRE BIOLOGÍA Y BIOINFORMÁTICA/2.1.1 AMINOÁCIDOS/ 2.1.2 PROTEÍNAS / 2.1.3 ESTRUCTURAS DE LAS PROTEÍNAS/ 2.1.4 FUNCIONES MOLECULARES DE LAS PROTEÍNAS/ 2.2 INFORMACIÓN SECUENCIAL/ 2.3 CARACTERIZACIÓN DE PROTEINAS/ 2.4 ONTOLOGÍA GENÉTICA Y FUNCIONES PROTEICAS / 2.5 TEORÍA DEL ANÁLISIS DE PROTEÍNAS/ 2.6 CLASIFICACIÓN DE SECUENCIAS PROTEICAS/ 2.7 APRENDIZAJE DE MÁQUINA/ 2.8 MÁQUINAS DE VECTORES DE SOPORTE – SVM / 2.8.1 CASO LINEALMENTE SEPARABLE/2.8.2 CASO LINEALMENTE NO SEPARABLE PARA KSVM (KERNEL NO LINEAL). / 2.8.3 MODELO TSVM -– PROCEDIMIENTO CÓNCAVO-CONVEXO Y ALGORITMO “UNIVERSAL TRANSDUCTIVE SUPPORT VECTOR MACHINE UTSVM”./ 2.8.4 HIPERPARÁMETROS (HP) /70 3 DESCRIPCIÓN DETALLADA DEL PROCESO / 3.1 MATERIALES Y MÉTODOS/ 3.1.1 BASES DE DATOS/.1.2 METODOLOGÍA GENERAL / 3.2 DISEÑO DE LA SOLUCIÓN/ 3.2.1 CONSTRUCCIÓN DE LA MATRIZ DE CARACTERÍSTICAS / 3.2.2 CLASIFICACIÓN/3.2.2.1 Definición de clases/ 3.2.2.2 Análisis de proteínas/ 3.2.2.3 Definición de matrices etiquetada y no etiquetada/ 3.2.2.4 Implementación de los modelos utilizados para el entrenamiento y las predicciones/ 3.3 DETALLES DE APLICACIÓN, IMPLEMENTACIÓN Y VALIDACIÓN/ 3.3.1 VALIDACIÓN/ 3.3.2 DESEMPEÑO/ 4 ANÁLISIS DE RESULTADOS / 5 CONCLUSIONES Y RECOMENDACIONES / 5.1 CONCLUSIONES /5.2 RECOMENDACIÓN Y TRABAJOS FUTUROS.EMaestríaSe realizará la publicación de un artículo científico.Magister en Ingeniería ComputacionalProcesamiento de secuencias biológicas y bioinformáticaapplication/pdfengspaMetodología de clasificación de proteínas usando aprendizaje semi-supervisado para la anotación de organismos fúngicos.Trabajo de grado - Maestríahttp://purl.org/coar/resource_type/c_bdccTextinfo:eu-repo/semantics/masterThesishttps://purl.org/redcol/resource_type/TMhttp://purl.org/coar/version/c_970fb48d4fbd8a85Facultad de IngenieríaManizalesMaestría en Ingeniería ComputacionalAlberts, B., Johnson, A., Lewis, J., Ra_, M., Roberts, K., and Walter, P. (1997). Molecular Biology of the Cell (Garland Science, New York, 2002).Al-Shahib, A., Breitling, R., & Gilbert, D. R. (2007). Predicting protein function by machine learning on amino acid sequences--a critical evaluation. BMC genomics, 8, 78. doi:10.1186/1471-2164-8-78Avelino, J., Cristancho, M., Georgiou, S., Imbach, P., Aguilar, L., Bornemann, G., & Morales, C. (2015). The coffee rust crises in Colombia and Central América (2008–2013): impacts, plausible causes and proposed solutions. Food Security, 7(2), 303-321.Ball, G. R., & Srihari, S. N. (2009). Semi-supervised Learning for Handwriting Recognition. 2009 10th International Conference on Document Analysis and Recognition, 26-30.Bennett, K. and Demiriz, A. Semi-supervised support vector machines. In M. S. Kearns, S. A. Solla, and D. A. Cohn, editors, Advances in Neural Information Processing Systems 12, pages 368-374. MIT Press, Cambridge, MA, 1998.Bi, R., Zhou, Y., Lu, F., & Wang, W. (2006). Predicting Gene Ontology functions based on support vector machines and statistical significance estimation. Neurocomputing, 70, 718-725. doi:10.1016/j.neucom.2006.10.006Boser, E. Guyon, I. M. and Vapnik, V. N. A training algorithm for optimal margin classi_ers. In Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory, pages 144-152, Pittsburgh, PA, 1992. ACM Press.Cardona, A. Pineda, J. (2015). Metodología para la predicción de funciones en proteínas Embryophyta usando kernels de secuencias. Trabajo de grado de Ingeniería Mecatrónica Instituto Tecnológico Metropolitano: Medellín. 58 p.Castillo, L. F., López-Gartner, G., Isaza, G. A., Sánchez, M., Arango, J., Agudelo-Valencia, D., & Castaño, S. (2015). GITIRBio: A Semantic and Distributed Service Oriented - Architecture for Bioinformatics Pipeline. Journal of integrative bioinformatics, 12(1), 255.Cai, C. Z., Han, L. Y., Ji, Z. L., Chen, X., & Chen, Y. Z. (2003). SVM-Prot: web-based support vector machine software for functional classification of a protein from its primary sequence. Nucleic acids research, 31(13), 3692-3697. doi:10.1093/nar/gkg600Camon, E., Magrane, M., Barrell, D., Lee, V., Dimmer, E., Maslen, J., Binns, D., et al. (2004). The Gene Ontology Annotation (GOA) Database: sharing knowledge in Uniprot with Gene Ontology. Nucleic acids research, 32(Database issue), D262--6. doi:10.1093/nar/gkh021Chapelle, O., & Zien, A. (2005). Semi-Supervised Classification by Low Density Separation. Proceedings of the Tenth International Workshop on Artificial Intelligence and Statistics (pp. 57–64).Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: synthetic minority over-sampling technique. Journal of artificial intelligence research, 16(1), 321- 357.Cheng, V., & Li, C. H. (2006). Personalized Spam Filtering with Semi-supervised Classifier Ensemble Classification of emails using SVM and naïve Bayes Classifier. Intelligence, 0-6.Chou, K.-C., & Shen, H.-B. (2010). Plant-mPLoc: a top-down strategy to augment the power for predicting plant protein subcellular localization. PloS one, 5(6), e11335. doi:10.1371/journal.pone.0011335Collobert, R. Sinz, Fabian. Weston, Jason. Bottou, L. (2006). Largue Scale Transductive SVMs. Journal of Machine Learning Research. 1687-1712. 26 p.Collobert, R. Sinz, F. Weston, J. and Bottou, L. Trading convexity for scalability. In ICML '06: Proceedings of the 23rd international conference on Machine learning, pages 201- 208, New York, NY, USA, 2006. ACM Press.Comité de Cafeteros de Antioquia. (2018). Colombia es el país con menor prevalencia de roya del cafeto en el mundo. Medellín: Federación Nacional de Cafeteros Antióquia. Recuperado de https://fncantioquia.org/colombia-es-el-pais-con-menor-prevalencia-deroya-del-cafeto-en-el-mundo/.Conesa, A., & Götz, S. (2008). Blast2GO: A Comprehensive Suite for Functional Analysis in Plant Genomics. International journal of plant genomics, 2008, 619832. doi:10.1155/2008/619832Cristancho, M. A., Rozo, Y., Escobar, C., Rivillas, C. A., & Gaitán, A. L. (2012). Outbreak of coffee leaf rust (Hemileia vastatrix) in Colombia. New Disease Reports, 25, 19.Cristancho, M. A., Botero-Rozo, D. O., Giraldo, W., Tabima, J., Riaño-Pachón, D. M., Escobar, C., & Eilam, T. (2014a). Annotation of a hybrid partial genome of the coffee rust (Hemileia vastatrix) contributes to the gene repertoire catalog of the Pucciniales. Frontiers in plant science, 5, 594.Cristancho, M., Giraldo, W., Botero, D., Tabima, J., Ortiz, D., Peralta, A., & Riaño, D. (2014b). Application of Genome Studies of Coffee Rust. In Advances in Computational Biology (pp. 133-139). Springer International Publishing.Developers. (2019). Developers. Mexico: machine–learning. Recuperado de: (https://developers.google.com/machine-learning/glossary?hl=es-419).Docsity. 2019. Aminoácidos escenciales, Apuntes de Biología Celular. Centro Mexicano de Estomatología: docsity.com. Recuperado de https://www.docsity.com/es /aminoacidosescenciales/5141782/Duan, K., Keerthi, S. S., & Poo, A. N. (2003). Evaluation of simple performance measures for tuning SVM hyperparameters. Neurocomputing, 51, 41-59.El Quindiano. (2020). Quindío tiene los niveles más altos de roya del café en Colombia. Armenia: El quindiano. Recuperado de https://www.elquindiano.com/noticia/17253/.Emanuelsson, O. and Nielsen, H. and Brunak, S. and von Heijne, G. (2000). Predicting subcellular localization of proteins based on their N-terminal amino acid sequence, Journal of molecular Biology 300 (4). Elsevier.Eskin, E., Weston, J., Noble, W. S., & Leslie, C. S. (2002). Mismatch string kernels for SVM protein classification. In Advances in neural information processing systems (pp. 1417- 1424).Estética médica. (2020). Guía Ortomolécular. Buenos Aires: esteticamedica. Recuperado de: http://www.esteticamedica.info/noticias/val/89-51/las-investigaciones-de-paulingen-biologia-molecular.htmlGálvez. (2017). Hidden-nature. Sevilla: nombre de la página web. Recuperado de https://www.hidden-nature.com-cual-es-la-estructura-de-los-aminoacidos.Gao, Xianwei. Hu, Changzhen. Shan, Chun. Liu, Baoxu. Niu, Zequn. Xie, Hui. (2020). Malware classification for the cloud via semi supervised transfer learning. ScienceDirect Journal of Information Security and Applications. Beijing. 13p.Genome 2020. Genome. Kyoto University Bioinformatics Center: Aaindex. Recuperado de http://www.genome.jp/aaindex/Guarnizo. (2015) Metodología para la selección de la métrica de distancia en Neighborhood Kernels para clasificación semi-supervisada de secuencias proteicas. Bioinformática. Tesis de Maestría. Facultad de Ingeniería, Instituto Tecnológico Metropolitano: Medellín. 96 p.Han, Zhezhe. Li, Jian. Zhang, Biao. Hossain, Moinul. Xu, Chuanlong. (2020). Predicttion of combustión state throung a semi-supervised learning model and flame imaging. ScienceDirect Journal of Information in Fuel. Nanking. 15pJaramillo-Garzón, J., Gallardo-Chacón, J., Castellanos-Domínguez, C. and Perera-Lluna, A. (2013). Predictability of gene ontology slim-terms from primary structure information in Embryophyta plant proteins. BMC Bioinformatics 2013. 14:68.Jensen, L. J., Gupta, R., Staerfeldt, H. H., & Brunak, S. (2003). Prediction of human protein function according to Gene Ontology categories. Bioinformatics, 19(5), 635-642.Jian, Meng & Jung, Cheolkon. (2020). Semi-supervised kernel Matrix Learning Using Adaptative Constraint-Based Seed Propagation, Pattern Recognition. Journal Pre-proof. ScienceDirect. Beijing. 21 pJoachims, T. Making large-scale support vector machine learning practical. In B. Schöolkopf, C. Burges, and A. Smola, editors, Advances in Kernel Methods. The MIT Press, 1999a.Joachims, T. Transductive inference for text classi_cation using support vector machines. In International Conference on Machine Learning, ICML, 1999b.Jung, J., & Thon, M. R. (2008, December). Gene function prediction using protein domain probability and hierarchical gene ontology information. In Pattern Recognition, 2008. ICPR 2008. 19th International Conference on (pp. 1-4). IEEE. doi:10.1109/ICPR.2008.4761737Jung, J., Yi, G., Sukno, S. a, & Thon, M. R. (2010). PoGO: Prediction of Gene Ontology terms for fungal proteins. BMC bioinformatics, 11, 215. doi:10.1186/1471-2105-11-215Kawashima, S. and Kanehisa, M. (2000). AAindex: amino acid index database. Nucleic acids research, 28(1):374-374. 47, 57King, R. D., Wise, P. H., & Clare, A. (2004). Confirmation of data mining based predictions of protein function. Bioinformatics (Oxford, England), 20(7), 1110-1118. doi:10.1093/bioinformatics/bth047.King, B. R. (2009). Protein sequence classification with Bayesian supervised and semisupervised learned classifiers. Evaluation. STATE UNIVERSITY OF NEW YORK AT ALBANY. Retrieved from http://gradworks.umi.com/33/38/3338851.htmlKrause, N. and Singer, Y. Leveraging the margin more carefully. In International Conference on Machine Learning, ICML, 2004.Kuksa, P. P., Huang, P. H., & Pavlovic, V. (2009). Scalable algorithms for string kernels with inexact matching. In Advances in Neural Information Processing Systems (pp. 881- 888).Le Thi, H. A. Analyse num_erique des algorithmes de l'optimisation D.C. Approches locales et globale. Codes et simulations num_eriques en grande dimension. Applications. PhD thesis, INSA, Rouen, 1994.LeCun, Y. Bottou, L. Orr, G. B. and Müller, K.-R. E_cient backprop. In G.B. Orr and K.-R. Müller, editors, Neural Networks: Tricks of the Trade, pages 9{50. Springer, 1998.Leslie, C. S., Eskin, E., & Noble, W. S. (2002, January). The spectrum kernel: A string kernel for SVM protein classification. In Pacific symposium on biocomputing (Vol. 7, pp. 566-575).Li, Zerui. Kang, Yu. Feng, Deyong. Wang, Xing-Mou. Lv, Wenjun. Chang, Ji. Zheng, Wei Xing. Semi-supervised learning for lithology identification using Laplacian support vector machine. Elsevier Journal of Petroleum Science and Engineering. Hefei. 13p.Li, Wenjuan. Meng, Weizhi. Au, Man Ho. (). Enhancing collaborative intrusion detection via disagreement-based semi-supervised learning in IoT enviroments. Elsevier Journal of Network and Computer Applicaions. Hong Kong. 9p.Li, T., Yang, J., Peng, X., Chen, Z., & Luo, C. (2008). Prediction and Early Warning Method for Flea Beetle Based on Semi-supervised Learning Algorithm. 2008 Fourth International Conference on Natural Computation, 217-221.Li, W. & Godzik, A. Cd-hit: a fast program for clustering and comparing large sets of protein or nucleotide sequences. Bioinformatics, 22(13):1658–1659, 2006.Lodhi, H., Saunders, C., Shawe-Taylor, J., Cristianini, N., & Watkins, C. (2002). Text classification using string kernels. The Journal of Machine Learning Research, 2, 419-444.Longstaff, B., Reddy, S., & Estrin, D. (2010). Improving Activity Classification for Health Applications on Mobile Devices using Active and Semi-Supervised Learning.Martínez. (2017). Udec. Concepción: jmartinez Capitulo 6. Recuperado de http://www2.udec.cl/~jmartine/img00141.gifMason, L. Bartlett, P. L. and Baxter, J. Improved generalization through explicit optimization of margins. Machine Learning, 38(3):243-255, 2000.National Human Genome Research Institute. (2006). Wikimedia Commons. Maryland: uaeh. Recuperado de https://www.uaeh.edu.mx/scige/boletin /icbi/n1/multimedia /e7/e7_3.jpgNucleic Acid Research. (2020). Nucleic Acid Research. Oxford: academic. Recuperado de https://academic.oup.com/nar.Platt, J. (1999). Fast training of support vector machines using sequential minimal optimization. Advances in kernel methods—support vector learning, 3.Predictiva. (2020). Predictiva. Medellín: Aprendizaje Semi-Supervisado. Recuperado de http://www.predictiva.com.co/blog-predictiva/aprendizaje-semi-supervisado.Quackenbush, J., Cho, J., Lee, D., Liang, F., Holt, I., Karamycheva, S., & White, J. (2001). The TIGR Gene Indices: analysis of gene transcript sequences in highly sampled eukaryotic species. Nucleic Acids Research,29(1), 159-164.QuickGO. 2020. QuickGo. Instituto Europeo de Bioinformática (EMBL-EBI) Cambridge, UK: ebi.ac.uk. Recuperado de: https://www.ebi.ac.uk/QuickGO/term/GO:...Reyes, A. (2015, 16 de marzo). Biología computacional en colombia ¿cómo vamos? Sistemas. Recuperado de https://sistemas.uniandes.edu.co/biologia-computacional-encolombia-como-vamos/Raisman. (2007). Hipertextos del área de la Biología. Argentina: Biología. Recuperado de http://www.biologia.edu.ar/macromoleculas/structup.htmScicluna. 2011. Boom’in Science. Georgia: boominscience.weebly.com. Recuperado de http://boominscience.weebly.com/blog/3d-diagram-of-the-cellShen, X. Tseng, G. C. Zhang, X. and Wong, W. H. On (psi)-learning. Journal of the American Statistical Association, 98(463):724{734, 2003.Shimizu, K., Hirose, S., and Noguchi, T. (2007). POODLE-S: web application for predicting protein disorder by using physicochemical features and reduced amino acid set of a position-speci_c scoring matrix. Bioinformatics, 23(17):2337-2338. 41, 42, 48Small, I. and Peeters, N. and Legeai, F. and Lurin, C (2004). Predotar: A tool for rapidly screening proteomes for N-terminal targeting sequences. Proteomics, 4 (6), 1581-1590, Wiley Online LibrarySmola, A. J. Vishwanathan, S. V. N. and Hofmann, T. Kernel methods for missing variables. In Proceedings of the Tenth International Workshop on Arti_cial Intelligence and Statistics, 2005.UNAM. (2020). Curso para la UNAM, Ciudad de México: Educapedia.org. Recuperado de https://cursoparalaunam.com/enlace-peptidico.Uniprot. (2020). Uniprot. Cambridge UK: Uniprot.org. Recuperado de https://www.uniprot.org/Universidad de Caldas (2009). Plan de desarrollo 2009 – 2018. Centro Editorial Universidad de Caldas, Manizales.Uribe. (2017). Detección de proteínas desordenadas. Tesis de PhD. Programa Doctoral en Ingeniería Electrónica y Ciencias de la Computación, Universidad de Antioquia: Medellín. 238 p.V. Vapnik. The Nature of Statistical Learning Theory. Springer, second edition, 1995.Vapnik, V. and Cortes, C. (1995). Support-vector networks. Machine Learning, 20(3):273{297. 42, 47, 100V. N. Vapnik. Estimation of Dependences Based on Empirical Data. Springer Verlag Series in Statistics. Springer Verlag, 1982.Vargas. (2017). SlidePlayer. California: PROTEINAS De todo, un poco o las prolifuncionales…. Recuperado de http://slideplayer.es.Yuille, A.L. and Rangarajan, A. The concave-convex procedure (CCCP). In T. G. Dietterich, S. Becker, and Z. Ghahramani, editors, Advances in Neural Information Processing Systems 14, Cambridge, MA, 2002. MIT Press.Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 3(1), 1-130.info:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbBiología molecularAnálisis de sistemasProteínassemi-supervisadoProteinasAprendizajeFungiAnotaciónTransductivasBioinformaticsORIGINALCarlos Wilfredo_Narváez Prado2021.pdfCarlos Wilfredo_Narváez Prado2021.pdfCarlosWilfredo_NarváezPrado2021.pdfapplication/pdf2443051https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/1/Carlos%20Wilfredo_Narv%c3%a1ez%20Prado2021.pdfb98f5bc9097ae3554885ac9fef9eb3a6MD512ACTA DE SUSTENTACION CARLOS NARVÁEZ (2).pdf2ACTA DE SUSTENTACION CARLOS NARVÁEZ (2).pdfActa de sustentaciónapplication/pdf282736https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/2/2ACTA%20DE%20SUSTENTACION%20CARLOS%20NARV%c3%81EZ%20%282%29.pdf2e0b4919969c36f78fc9b63e6f279796MD523carta-autorizacion-despues-08-2020CarlosNarváez.pdf3carta-autorizacion-despues-08-2020CarlosNarváez.pdfCarta de autorizaciónapplication/pdf224770https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/3/3carta-autorizacion-despues-08-2020CarlosNarv%c3%a1ez.pdf375368192beec4a78f58f6c22d2fb98bMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-814828https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/4/license.txt2f9959eaf5b71fae44bbf9ec84150c7aMD54TEXTCarlos Wilfredo_Narváez Prado2021.pdf.txtCarlos Wilfredo_Narváez Prado2021.pdf.txtExtracted texttext/plain152593https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/5/Carlos%20Wilfredo_Narv%c3%a1ez%20Prado2021.pdf.txt912a87b4a5c16540c775339a16eb701bMD552ACTA DE SUSTENTACION CARLOS NARVÁEZ (2).pdf.txt2ACTA DE SUSTENTACION CARLOS NARVÁEZ (2).pdf.txtExtracted texttext/plain1525https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/7/2ACTA%20DE%20SUSTENTACION%20CARLOS%20NARV%c3%81EZ%20%282%29.pdf.txt9a9b8d9ae0fc9be07046d45b33c0d547MD573carta-autorizacion-despues-08-2020CarlosNarváez.pdf.txt3carta-autorizacion-despues-08-2020CarlosNarváez.pdf.txtExtracted texttext/plain5778https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/9/3carta-autorizacion-despues-08-2020CarlosNarv%c3%a1ez.pdf.txt119e3fc8287c4bc9d13996aacfc2e7d1MD59THUMBNAILCarlos Wilfredo_Narváez Prado2021.pdf.jpgCarlos Wilfredo_Narváez Prado2021.pdf.jpgGenerated Thumbnailimage/jpeg7991https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/6/Carlos%20Wilfredo_Narv%c3%a1ez%20Prado2021.pdf.jpg2ee63e7cbf4a41e97c725364879ad872MD562ACTA DE SUSTENTACION CARLOS NARVÁEZ (2).pdf.jpg2ACTA DE SUSTENTACION CARLOS NARVÁEZ (2).pdf.jpgGenerated Thumbnailimage/jpeg13138https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/8/2ACTA%20DE%20SUSTENTACION%20CARLOS%20NARV%c3%81EZ%20%282%29.pdf.jpg6496342e2f7a92eff779a911f5c17ffaMD583carta-autorizacion-despues-08-2020CarlosNarváez.pdf.jpg3carta-autorizacion-despues-08-2020CarlosNarváez.pdf.jpgGenerated Thumbnailimage/jpeg10469https://repositorio.ucaldas.edu.co/bitstream/ucaldas/17092/10/3carta-autorizacion-despues-08-2020CarlosNarv%c3%a1ez.pdf.jpg8fbe41159e1d0e93e8c664ecd87f756fMD510ucaldas/17092oai:repositorio.ucaldas.edu.co:ucaldas/170922021-09-01 03:00:46.545Repositorio Digital de la Universidad de Caldasbdigital@metabiblioteca.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 |