Universidad Complutense de Madrid
E-Prints Complutense

Machine learning based methods for the study of metabolism and its effect on the behavior of biological systems
Métodos basados en aprendizaje automático para el estudio del metabolismo y su efecto en el comportamiento de sistemas biológicos

Impacto

Downloads

Downloads per month over past year



Higuera Cabañes, Clara (2015) Machine learning based methods for the study of metabolism and its effect on the behavior of biological systems. [Thesis]

[img]
Preview
PDF
16MB


Abstract

Las disciplinas de bioinformática y biología computacional, que se sirven de técnicas informáticas para dar solución a problemas en biología, se han posicionado como piezas clave en la investigación en biología molecular. Tanto por la gran cantidad de información compleja generada en los laboratorios como por la necesidad de simular in silico determinados procesos biológicos para su estudio, actualmente es esencial el desarrollo de nuevos métodos computacionales que asistan en la investigación en biología. Uno de los temas centrales en biología molecular es el estudio del metabolismo, que se define como una red intrincada de reacciones químicas que ocurren dentro de la célula y por medio de las cuales los organismos se mantienen vivos. Precisamente el estudio mediante técnicas computacionales basadas en aprendizaje automático del metabolismo y su efecto en el comportamiento de sistemas biológicos constituye el tema central del presente trabajo de investigación. En él se proponen soluciones computacionales para resolver tres problemas biológicos concretos que comprenden un estudio dinámico, un estudio estructural y otro funcional del metabolismo. El primer trabajo, que se corresponde con un estudio dinámico, estudia la regulación a nivel enzimático de un modelo de un ciclo metabólico mediante la aplicación novedosa de métodos de optimización, con especial hincapié en la optimización multi-objetivo y con el objetivo de encontrar un esquema de regulación universal para el modelo de estudio. El segundo trabajo se corresponde con un estudio estructural en el que el objetivo es agrupar un conjunto de especies bacterianas por similitud en determinadas características metabólicas. Para ello, se diseñó un sistema experto basado en la combinación de técnicas de clasificación no supervisada con índices de validación. El sistema permite también la extracción de información inapreciable a simple vista, como puede ser la relación entre metabolismo y ambiente. El tercer trabajo consiste en un estudio funcional. En él se desarrolla una nueva estrategia de minería de datos basada también en técnicas de clasificación no supervisada, esta vez combinada con un test estadístico. La estrategia permite identificar proteínas involucradas en actividades funcionales de alto nivel como el aprendizaje y la memoria y constituye una manera novedosa de tratar datos de expresión de proteínas, que son a la vez el resultado de la regulación de redes metabólicas a nivel de expresión. En definitiva la presente tesis constituye un trabajo de investigación multidisciplinar original e innovador en el que se resuelven tres problemas biológicos concretos mediante técnicas novedosas basadas en aprendizaje automático. El diseño, desarrollo y aplicación de estas técnicas tiene relevancia en el campo de la inteligencia artificial y el aprendizaje automático mientras que los resultados obtenidos mediante ellas tienen relevancia y suponen avances en el campo de la biología molecular.


Item Type:Thesis
Additional Information:

Tesis inédita de la Universidad Complutense de Madrid, Facultad de Informática, Departamento de Ingeniería del Software e Inteligencia artificial, leída el 22-04-2015

Directors:
DirectorsDirector email
Pajares Martinsanz, Gonzalo
Morán Abad, Federico
Uncontrolled Keywords:Aprendizaje automático (Inteligencia artificial), Sistemas expertos, Informática, Metabolismo
Palabras clave (otros idiomas):Machine Learning, Expert Systems, Metabolism
Subjects:Sciences > Computer science > Artificial intelligence
Sciences > Computer science > Expert systems (Computer science)
ID Code:30801
Deposited On:10 Jun 2015 13:04
Last Modified:10 Jun 2015 13:04

Origin of downloads

Repository Staff Only: item control page