NIFPTMLaprendizaje automático por teoría de perturbaciones con fusión de información de redes biomoleculares en química médica, cromosómica, y nanoinformática

Resumo

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.