Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos

La búsqueda de vías metabólicas tiene como objetivo encontrar secuencias de reacciones que permitan transformar un sustrato dado en un producto de interés. Esta tarea puede abordarse como un problema de búsqueda en grafos, usando la estructura molecular de los compuestos y una medida de similaridad...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Gerard, Matías, Di Persia, Leandro
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2021
Materias:
Ciencias Informáticas
Redes neuronales en grafos
Vías metabólicas
Similaridad entre compuestos
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/140239
http://50jaiio.sadio.org.ar/pdfs/asai/ASAI-05.pdf
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-140239
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Redes neuronales en grafos
Vías metabólicas
Similaridad entre compuestos
spellingShingle Ciencias Informáticas
Redes neuronales en grafos
Vías metabólicas
Similaridad entre compuestos
Gerard, Matías
Di Persia, Leandro
Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
topic_facet Ciencias Informáticas
Redes neuronales en grafos
Vías metabólicas
Similaridad entre compuestos
description La búsqueda de vías metabólicas tiene como objetivo encontrar secuencias de reacciones que permitan transformar un sustrato dado en un producto de interés. Esta tarea puede abordarse como un problema de búsqueda en grafos, usando la estructura molecular de los compuestos y una medida de similaridad entre las estructuras para guiar la búsqueda. Sin embargo, los enfoques basados en esta idea resultan inútiles cuando se carece de la estructura, lo que impide calcular la similaridad. Por su parte, las redes neuronales en grafos han demostrado ser de gran utilidad como extractores de características en datos con estructuras no-euclideanas. Aquí presentamos un modelo neuronal basado en grafos, capaz de aprender representaciones de los compuestos a partir de características simples y de la topología de la red que los conecta. Estas características son luego empleadas para inferir la similaridad, sin que sea necesaria la estructura de los mismos en el proceso. Los resultados muestran que el modelo infiere correctamente la similaridad entre compuestos con estructura conocida, y genera estimaciones razonables para compuestos con estructura desconocida.
format Objeto de conferencia
Objeto de conferencia
author Gerard, Matías
Di Persia, Leandro
author_facet Gerard, Matías
Di Persia, Leandro
author_sort Gerard, Matías
title Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title_short Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title_full Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title_fullStr Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title_full_unstemmed Modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
title_sort modelo neuronal basado en paso de mensajes para estimación de similaridad entre compuestos
publishDate 2021
url http://sedici.unlp.edu.ar/handle/10915/140239
http://50jaiio.sadio.org.ar/pdfs/asai/ASAI-05.pdf
work_keys_str_mv AT gerardmatias modeloneuronalbasadoenpasodemensajesparaestimaciondesimilaridadentrecompuestos
AT dipersialeandro modeloneuronalbasadoenpasodemensajesparaestimaciondesimilaridadentrecompuestos
bdutipo_str Repositorios
_version_ 1764820458450976769

Ejemplares similares