Search

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente d

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas

El uso de la proteomica es uno de los topicos de investigacion mas activos en la biotecnologia, la cual se refiere a toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creacion o modi ficacion de productos o procesos para usos específicos. Dentro de la proteomica, la electroforesis bidimensional en gel (2DGE) es la herramienta mas utilizada para la separacion e identi cacion de proteínas. Esta técnica se ha mantenido como la forma m as viable de obtener resultados con ables y reproducibles en el analisis proteomico. En la actualidad, existen numerosos metodos y software para el procesamiento de imágenes de geles obtenidos a partir de la electroforesis bidimensional. Sin embargo, no existe aun un sistema able, automatizado y de alta reproducibilidad, debido a las anomalías presentes en este tipo de imagenes. Entre las anomalías mas comunes se encuentran líneas verticales, puntos difusos y el ruido, las cuales di ficultan el procesamiento de las imagenes. Este proyecto de investigacion desarrollo una metodología de pre-procesamiento de imagenes de geles bidimensionales aplicada al analisis proteomico, utilizando tecnicas deprocesamiento digital de imagenes como normalizacion de imagen, correccion de fondo y ltrado no lineal. Para el desarrollo de este trabajo se realiz o una comparaci on cuantitativa y cualitativa de diferentes tecnicas de pre-procesamiento utilizando imagenes 2DGE tanto sinteticas como reales. A partir de la comparacion de las tecnicas de pre-procesamiento encontradas en la literatura, se propuso una metodología multinivel, que permite mitigar diferentes tipos de anomalías de las imágenes 2DGE. Con la metodología multinivel propuesta se logro una mejora del 34% respecto a la aplicacion de tecnicas de manera individual sobre imagenes 2DGE sinteticas