Resumen de NIFPTML: aprendizaje automático por teoría de perturbaciones con fusión de información de redes biomoleculares en química médica, cromosómica, y nanoinformática

Viviana Quevedo

• español

  La teoría de redes complejas permite estudiar sistemas biomoleculares. Dado que los grafos pueden representar redes, en una red de proteína, como ejemplo, los nodos son los aminoácidos y los ejes son las secuencias y/o interacciones/proximidades espaciales entre los aminoácidos. Para cuantificar la estructura de estos sistemas se usan parámetros/índices numéricos extraídos de estas Invariantes de Redes (NI). Estos parámetros pueden ser correlacionados con propiedades biológicas mediante técnicas de Aprendizaje Automático (ML), permitiendo encontrar modelos predictivos. Adicionalmente, es necesario utilizar técnicas de Fusión de Información (IF) de diversas fuentes para obtener un conjunto de datos enriquecido. Los operadores de la Teoría de Perturbación (PT) procesan la información cuantificando las perturbaciones/desviaciones en las variables estructurales con respecto a valores esperados para diferentes subconjuntos de variables categóricas. Se propone usar la estrategia NIFPTML combinando las fases mencionadas anteriormente (NI+IF+PT+ML) de una manera innovadora necesaria para estudiar problemas que involucran uno o más de estos sistemas a la vez. Se aplican NIFPTML a varios problemas complejos con distintos sistemas (fármacos, proteínas, genes, cromosomas, nanopartículas). Se definen por primera vez las redes complejas GOIN (Gen Orientation Inversion Network) y sus parámetros numéricos. Esto permitió ejemplificar el uso de NIFPTML en problemas que involucran cromosomas, incursionando directamente en la aplicación de ML en la nueva área conocida como Cromósomica.

• English

  Complex network theory allows the study of biomolecular systems. Since graphs can represent networks, in a protein network, as an example, the nodes are the amino acids and the axes are the sequences and/or spatial interactions/proximities between the amino acids. Numerical parameters/indexes extracted from these Networks Invariants (NI) are used to quantify the structure of these systems. These parameters can be correlated with biological properties using Machine Learning (ML) techniques, allowing predictive models to be found. Additionally, it is necessary to use Information Fusion (IF) techniques from various sources to obtain an enriched dataset. Perturbation Theory (PT) operators process the information by quantifying the perturbations/deviations in the structural variables with respect to expected values for different subsets of categorical variables. It is proposed to use the NIFPTML strategy combining the above-mentioned phases (NI+IF+PT+PT+ML) in an innovative way necessary to study problems involving one or more of these systems at a time. NIFPTML is applied to several complex problems with different systems (drugs, proteins, genes, chromosomes, nanoparticles). GOIN (Gen Orientation Inversion Network) complex networks and their numerical parameters are defined for the first time. This allowed to exemplify the use of NIFPTML in problems involving chromosomes, making a direct incursion into the application of ML in the new area known as Chromosomics.

• galego

  A teoría das redes complexas permite estudar sistemas biomoleculares. Dado que os grafos poden representar redes, nunha rede de proteínas, por exemplo, os nodos son os aminoácidos e os eixes son as secuencias e/ou interaccións/proximidades espaciais entre os aminoácidos. Para cuantificar a estrutura destes sistemas utilízanse parámetros/índices numéricos extraídos destas Invariantes de Rede (NI). Estes parámetros pódense correlacionar con propiedades biolóxicas mediante técnicas de Aprendizaxe Automática (ML), o que permite atopar modelos preditivos. Ademais, é necesario utilizar técnicas de Fusión de Información (IF) de diversas fontes para obter un conxunto de datos enriquecido. Os operadores da Teoría da Perturbación (PT) procesan a información cuantificando perturbacións/desviacións en variables estruturais con respecto aos valores esperados para diferentes subconxuntos de variables categóricas. Se propoñen utilizar a estratexia NIFPTML combinando as fases mencionadas anteriormente (NI+IF+PT+ML) de un xeito innovador, necesario para estudar problemas que impliquen un ou máis destes sistemas ao mesmo tempo. Aplícanse NIFPTML a varios problemas complexos con diferentes sistemas (fármacos, proteínas, xenes, cromosomas, nanopartículas). Defínense por primeira vez redes complexas GOIN (Gene Orientation Inversion Network) e os seus parámetros numéricos. Isto permitiu exemplificar o uso de NIFPTML en problemas que implican cromosomas, entrando directamente na aplicación de ML na nova área coñecida como Chromosomal.