Modelo computacional para la identificación deendofenotipos y clasificación de pacientes conartritis reumatoide a partir de datos genéticos,serológicos y clínicos, utilizando técnicasde inteligencia computacional / Computational model for the identification of endophenotypes and classification of rheumatoid arthritis patients from genetic, serological, and clinical data using computational intelligence techniques

Utilizar modelos de inteligencia computacional para la clasificación e identificaciónde endofenotipos (relación entre fenotipo y marcadores genéticos) en pacientes con artritisreumatoide y controles sanos, a partir de información genética, principalmente el HLA DRB1(antígeno leucocitario humano) y la teoría del epítope compartido.Métodos: Desarrollamos modelos computacionales para clasificación, utilizando técnicasde inteligencia computacional como son las redes neuronales, redes bayesianas y métodoscomo k-means. Como datos de entrada se utilizaron variables como: factor reumatoide,anticuerpos contra péptido citrulinado, proteína C reactiva, número de articulaciones inflamadasy dolorosas, rigidez matinal, edad, género, antecedentes de comorbilidades y lainformación del alelo HLA DRB1.Resultados: Se obtuvieron resultados importantes para el diagnóstico de la enfermedad,así como también para su categorización y como potencial aplicación en la medicinapersonalizada de los individuos afectados por esta enfermedad. Conclusión: Los métodos utilizados permiten una mejor estratificación de la enfermedad enrelación con la predicción de fenotipos y posibles desenlaces de la enfermedad, así comopara la potencial prevención primaria de la enfermedad...

Identificación de sitios en proteínas usando máquinas con vectores de soporte / Sites Identification in Proteins, using machines with support vectors

Ante el incremento creciente de estructuras tridimensionales (3D) de proteínas determinadas por rayos X y tecnologías de NMR, así como de estructuras obtenidas mediante métodos computacionales, resulta necesaria la utilización de métodos automatizados para obtener anotaciones iniciales. Hemos desarrollado un nuevo método para reconocer sitios en estructuras tridimensionales de proteínas. Este método está basado en un algoritmo previamente informado para crear descripciones de microambientes proteicos, utilizando propiedades físicas y químicas muy específicas. El método de reconocimiento tiene 3 entradas: 1. Un juego de sitios que comparten alguna función estructural o funcional; 2. Un juego de sitios que no comparten funciones estructurales o funcionales; 3. Un sólo sitio para análisis. Una máquina clasificadora con vector de soporte utiliza detalles del vector, donde cada componente representa una propiedad en volumen dado. La validación contra tests independientes muestra que esta prueba de reconocimiento tiene una alta sensibilidad y especificidad. También describimos los resultados de examinar 4 proteínas de unión a calcio (y con el calcio removido) utilizando una rejilla tridimensional de puntos de prueba en un espacio de 1.25Ao. Nuestros resultados muestran que descripciones basadas en propiedades con máquinas de soporte de vectores pueden ser utilizadas para el reconocimiento de sitios de proteínas en estructuras no anotadas.