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

Resumen

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.