Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/3000| Aprendizaje de máquina para la identificación de péptidos inductores de autofagia Machine learning for autophagy-inductors peptides identification | |
| KAREN GUERRERO VAZQUEZ | |
| Carlos Alberto Brizuela Rodríguez Gabriel del Río Guerra | |
| Acceso Abierto | |
| Atribución | |
| Evaluación de predictores, Conjuntos de datos, Autofagia, Péptido antimicrobiano, Péptido penetrador de células Predictor-evaluator, datasets, autophagy, antimicrobial peptide, cell-penetrating peptide | |
| La autofagia es un proceso celular involucrado en diversas patologías como el cáncer, enfermedades neurodegenerativas, infecciosas, autoinmunes, entre otras. Sin embargo, se conoce poco sobre los mecanismos de la autofagia. Para estudiar la autofagiacon fines terapéuticos, es necesario inducir de forma específica este mecanismo sin alterar el sistema del organismo estudiado mediante moléculas pequeñas como lo son los péptidos. El uso de péptidos como inductores de autofagia permite especificidad en la ruta metabólica objetivo. Técnicas de aprendizaje de máquina han sido utilizadas para predecir secuencias de péptidos antimicrobianos (AMPs) y penetradores de células (CPPs), convirtiéndolas en una opción atractiva para la identificación de nuevos péptidos inductores de autofagia (AIPs). Sin embargo, la cantidad de AIPs conocidos no es suficiente para entrenar un modelo de clasifiación. Afortunadamente, existe una alternativa que se basa en la hipótesis de que los AMPs que son CPPs a la vez, son AIPs. Por tanto, prediciendo un péptido como AMP y posteriormente como CPP, se tendría un posible AIP. Aunque tanto la predicción de AMPs como de CPPs ha sido abordada desde hace más de una década, únicamente los modelos que abordan a los AMPs han alcanzado especificidades del 90 %, mientras que los de CPPs necesitan de una mejora mayor para obtener resultados confiables para la predicción de AIPs. En este trabajo se determinó que una deficiencia importante de los predictores de CPP de la literatura tiene que ver con los conjuntos de datos empleados, particularmente con los datos de casos negativos. Además, se encontraron un total de 175 potenciales AIPs provenientes de proteomas de mamíferos. Finalmente, a pesar de que los los experimentos in vitro permitieron observar diferencias significativas en algunos AMCPPs respecto controles de autofagia basal e inducida, es necesario realizar más experimentos que aporten evidencia a lo encontrado en este trabajo. Autophagy is an essential cellular process for eukaryotic life. it is involved in various pathologies such as cancer, neurodegenerative, infectious, autoimmune, chronic degenerative and inflammatory diseases. However, little is known about the autophagy mechanisms, making clear the need to study this cellular process. In order to apply autophagy for therapeutic purposes it is necessary to specifically induce this mechanism. The use of peptides to induce autophagy allows a high specificity in the target metabolic pathway with minor influence on other processes. Previously, machine learning techniques have been used to predict sequences of antimicrobial peptides (AMP) and cell penetrating (CPP), making them an attractive option for the identification of new autophagy inductor peptides (AIP). However, the number of known AIPs is insufficient to establish a learning model that identifies them. Fortunately, there is an alternative based on the hypothesis that AMPs that are CPP at the same time, are AIP. This means that predicting a peptide as AMP and subsequently as CPP, then this peptibe could be a candidate for an AIP. Even though the prediction of AMPs and CPPs have been addressed for more than a decade and models that deal with AMPs have achieved specificities of 90 %, CPP models have focused only on sensitivity. To address the related problems and to search for new AIPs, three approaches were followed during this work; a) a comparison between state-of-the-art CPP predictors; b) a classification of peptides by their activities as AMPs and CPPs in mammalian proteomes of high, medium and low longevity from an in silico proteolysis and a subsequent homology search with autophagy-related proteins and c) in vitro experiments over AMP that are also CPP (AMCPPs) to identify their activity as AIPs. This work identified as an important deficiency of the literature’s CPPs predictors their datasets, particularly their negative datasets. In addition, a total of 175 potential AIPs were found in the analyzed mammals´ proteomes. Finally, although significant differences were observed in some AMCPPs regarding baseline and induced autophagy controls, more experiments are needed to support the results found here. | |
| CICESE | |
| 2019 | |
| Tesis de maestría | |
| Español | |
| Guerrero Vázquez, K. 2019. Aprendizaje de máquina para la identificación de péptidos inductores de autofagia. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 99 pp. | |
| POLIPÉPTIDOS Y PROTEÍNAS | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Karen Guerrero Vázquez_30_sep_2019.pdf | Versión completa de la tesis | 1.63 MB | Adobe PDF | Visualizar/Abrir |