Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodigital.uns.edu.ar/handle/123456789/2086
Título : Técnicas de aprendizaje automático y computación científica aplicadas a la predicción de parámetros ADMET-Tox
Autor(es) : Soto, Axel J.
Director(es) : Ponzoni, Ignacio
Co-director(es) : Vazquez, Gustavo E.
Palabras clave : Inteligencia artificial; ciencias de la computación
Fecha de publicación : 2010
Resumen : Hace 15 a~nos atras, el desarrollo de nuevos productos farmaceuticos consista en un proceso de prueba y error basado mayormente en la busqueda de un farmacoforo o principio activo. Sin embargo, muchos compuestos eran nalmente descartados en la ultima etapa del proceso de su desarrollo debido al comportamiento ADME-Tox. Por estos motivos, el interes en la industria y el ambito academico en las disciplinas de quimioinformatica y, en particular, en las tecnicas de tipo QSAR ha crecido considerablemente en los ultimos a~nos. El objetivo de esta tesis se centro en desarrollar metodologas para la mejora de los modelos existentes de QSAR mediante el uso de tecnicas numericas y de aprendizaje automatico. En este sentido, se obtuvo un potente metodo para lo que se considera uno de los problemas mas importantes del modelado QSAR: la seleccion de subconjuntos de descriptores relevantes. Para esta tarea se desarrollaron distintos enfoques utilizando computacion evolutiva. Asimismo, otro aspecto central considerado fue el desarrollo de una tecnica de identicacion de dominio de aplicacion para un metodo de prediccion, el cual permite determinar los alcances en las predicciones de un modelo. Para esta tecnica se considero la aplicacion de medidas de distancia entre compuestos qumicos, usando aprendizaje no supervisado. Finalmente, se desarrollo un metodo generalizado que permite la proyeccion de los datos en un espacio de menor dimension, en donde las distancias entre los datos proyectados guardan relacion con las distancias de la propiedad a modelar. Este nuevo espacio permite mejorar la visualizacion, reducir el conjunto de descriptores en forma embebida y mejorar la precision de los modelos de prediccion.
URI : http://repositoriodigital.uns.edu.ar/handle/123456789/2086
Aparece en las colecciones: Tesis de postgrado

Ficheros en este ítem:
Fichero Tamaño Formato  
Tesis final.pdf22,5 MBAdobe PDFVisualizar/Abrir