BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Departamento de Computación
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0200
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20180218T020000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:-0300
TZOFFSETTO:-0200
TZNAME:-02
DTSTART:20181104T030000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:-0200
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20190217T020000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20190319T130000
DTEND;TZID=America/Sao_Paulo:20190319T140000
DTSTAMP:20260619T034144
CREATED:20190314T125809Z
LAST-MODIFIED:20190314T125809Z
UID:4890-1553000400-1553004000@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Martín Ezequiel Langberg
DESCRIPTION:Título: Predicción de Patogenicidad en SNPs Usando Aprendizaje Automático\nDirectores: Ariel Berenstein y Pablo Turjanski\nJurados: Viviana Cotik y Marcelo Martí \nResumen \n\nEl estudio de enfermedades de origen genético ha tenido un desarrollo constante y acelerado en los últimos años en parte gracias a nuevas técnicas de secuenciación del genoma\, que permiten el análisis del material genético de pacientes a nivel de exomas y genomas completos con costos cada vez más reducidos y accesibles. En este contexto\, resulta de gran importancia la capacidad de identificar polimorfismos de un solo nucleótido (SNPs\, por sus siglas en inglés) causales de enfermedades humanas y diferenciarlos respecto de aquellos con efecto inocuo para el organismo. Dada la gran cantidad de SNPs presentes en el genoma humano\, esta línea de investigación ha cobrado un marcado interés por parte de la comunidad científica en general\, motivando esfuerzos interdisciplinarios\, en particular de trabajos que subyacen en la frontera de las ciencias de la computación y las ciencias biológicas.\nEn el presente trabajo\, mediante el uso de técnicas de aprendizaje automático supervisado convencionales hemos elaborado un método de predicción de patogenicidad para SNPs en regiones codificantes que resulten en un cambio de aminoácido\, normalmente referidas como SNPs con cambio de sentido.\nNuestro modelo de clasificación binaria\, se basa en las fuentes de Clinvar y Humsavar para clasificar el efecto patogénico de SNPs conocidos\, y en distintas fuentes de información para extraer variables que caractericen los SNPs desde distintas aristas biológicas.\nEn particular hemos explorado la importancia relativa y el poder predictivo de variables que den a cuenta del cambio estructural producido por el cambio de aminoácido (variación de energía\, superficie de exposición del aminoácido\, entre otras)\, variables de tipo físico-químico (hidrofobicidad\, aromaticidad\, polaridad\, etc) y de conservación a nivel genómico (PhyloP y PhastCons\, por ejemplo). Evaluamos la importancia relativa de cada una de estas dimensiones aplicando técnicas clásicas de aprendizaje automático supervisado: Regresión Logística\, Support Vector Machines y Random Forest. Finalmente\, evaluamos la combinación de las variables con una técnica más avanzada de aprendizaje automático\, XGBoost\, con el que alcanzamos un AUC de 0.90.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-martin-ezequiel-langberg/
LOCATION:Laboratorio 4
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR