dc.creatorPereira Toloza, Alfredo Jesus
dc.creatorReyes Suárez, José Antonio (Prof. Guía)
dc.creatorArenas Salinas, Mauricio (Prof. Informante)
dc.creatorRiadi Mahias, Gonzalo (Prof. Informante)
dc.date2013-06-20T23:33:03Z
dc.date2013-06-20T23:33:03Z
dc.date2012
dc.date.accessioned2017-03-07T14:59:19Z
dc.date.available2017-03-07T14:59:19Z
dc.identifierhttp://dspace.utalca.cl/handle/1950/9278
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/376085
dc.description86 p.
dc.descriptionLas metaloproteínas son proteínas que requieren la interacción con un metal para desempeñar su función biológica. Aproximadamente un tercio de las proteínas unen al menos un ion metálico en su estructura. Actualmente, en el Protein Data Bank, las metaloproteínas más abundantes son aquellas que unen de Zn, Mg o Ca. Los iones metálicos pueden ayudar por ejemplo, a estabilizar la estructura tridimensional de una proteína, inducir cambios conformacionales para regular la función de una proteína, y participar directamente en la actividad catalítica de enzimas. La región de una proteína que une un metal específico es llamada sitio de unión de metal. Conocer estos sitios de unión es fundamental para entender la función de una proteína, pero su identificación implica procedimientos experimentales largos y costosos. Con este fin, diferentes métodos computacionales han sido propuestos recientemente para la predicción de estos sitios de unión, incluyendo diversos enfoques basados en técnicas de Machine Learning. La mayoría de los métodos previos han empleado un sólo tipo de información a la vez, ya sea evolutiva, geométrica o fisicoquímica. Además, los trabajos más recientes están mayormente enfocados en predecir sitios de unión para un sólo tipo de metal a la vez, principalmente de Zn, sin la capacidad de discriminar entre sitios de unión a diferentes metales. En el presente estudio, se ha desarrollado un método para predecir y discriminar sitios de unión a Zn, Mg y Ca, utilizando Máquinas de Vectores Soporte y la combinación de información evolutiva, geométrica y fisicoquímica. El método ha sido capaz de distinguir de manera eficiente entre estos sitios de unión, alcanzando una exactitud superior al 90% y una tasa de falsos positivos que no excede del 5%. Además, el estudio proporciona evidencia de que la integración de los diversos tipos de información mejora el desempeño de la discriminación entre diferentes sitios de unión a metales cuando un sólo tipo de información no es suficiente. Palabras clave: Sitios de Unión a Metal, Máquinas de Vectores de Soporte, Discriminación.
dc.languagees
dc.publisherUniversidad de Talca (Chile). Escuela de Bioinformática.
dc.subjectSitios de Unión a Metal
dc.subjectMáquinas de Vectores de Soporte
dc.subjectDiscriminación
dc.titleDiscriminación entre sitios de unión a metales mediante el uso de Máquinas de Vectores de Soporte y la combinación de diversos tipos de información
dc.typeTesis


Este ítem pertenece a la siguiente institución