Aprendizaje de Redes Neuronales Recurrentes con instancias de longitud variable. Aplicaciones a la resistencia antiviral del VIH
Palabras clave:
Resistencia, secuencias, redes neuronales recurrentes, Inhibidores de la proteasa, transcriptasa reversa.Resumen
La predicción de la resistencia del Virus de Inmunodeficiencia Humana es un problema de clasificación de secuencias que intenta predecir la susceptibilidad de una mutación a un fármaco determinado partiendo de la información del código genético de la proteína que éste inhibe. Las redes neuronales recurrentes ofrecen buenos resultados en la predicción de la resistencia del virus ante los inhibidores de la proteasa. La transcriptasa reversa tiene como característica distintiva la variabilidad de la longitud de sus secuencias, por lo que se propone una modificación de las redes neuronales recurrentes para adaptar los tiempos de la red de forma dinámica en función del tamaño de cada caso, y de esta forma sólo aprender de la información relevante de cada secuencia, ignorando los fragmentos no codificados. En el siguiente trabajo se utiliza un modelo de redes neuronales recurrentes que permite obtener mejores resultados en el problema de clasificación de resistencia a 11 inhibidores de la proteína transcriptasa reversa del Virus de Inmunodeficiencia Humana.
Descargas
Citas
Baldi, P. 2002. New Machine Learning Methods for the Prediction of Protein Topologies, In: P. Frasconi and R. Shamir (eds.) Artificial Intelligence and Heuristic Methods for Bioinformatics, IOS Press.
Bonet, I. 2008. Modelo para la clasificación de secuencias, en problemas de la bioinformática, usando técnicas de inteligencia artificial. PhD, Universidad Central "Marta Abreu" de Las Villas.
Hilera, J. R. & Martínez, V. J. 1995. Redes Neuronales Artificiales. Fundamentos, Modelos y Aplicaciones, Madrid / Mexico, RA-MA / Addison Wesley Iberoamericana.
Kierczak, M., Ginalski, K., Dramiński, M., Koronacki, J., Rudnicki, W. & Komorowski, J. 2009. A Rough Set-Based Model of HIV-1 Reverse TranscriptaseResistome. Bioinformatics and Biology Insights.
Pearlmutter, B. 1990. Dynamic Recurrent Neural Networks. DARPA Research.
Rhee, S., Taylor, J., Wadhera, G., Ben-hur, A., Brutlag, D. & Shafer, R. 2006. Genotypic predictors of human immunodeficiency virus type 1 drug resistance. Proceedings of the National Academic of Sciences of the United States of America.
Ronald, J. W. & David, Z. 1995. Gradient-based learning algorithms for recurrent networks and their computational complexity. In: Chauvin, Y. & Rumelhart, D. E. (eds.) Backpropagation: theory, architectures, and applications. Lawrence Erlbaum Associates, Inc.
Salazar, S. 2005. NEngine v 1.0: Una Herramienta Software para Redes Neuronales Recurrentes. Lic, Universidad Central "Marta Abreu" de Las Villas.
Vermeiren, H., Van Den Bulcke, T., Van Marck, H., Lecocq, P., Van Houtte, M. & Bacheler, L. 2004. Application of multiple linear regression modelling to the quantitative prediction of HIV-1 drug susceptibility phenotype from viral genotype. XIII International HIV Drug Resistance Workshop.
Descargas
Publicado
Versiones
- 2025-06-10 (2)
- 2024-06-10 (1)
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.
