Document type
Bachelor thesisPublication date
Publication license
Please use this identifier to cite or link to this item: https://hdl.handle.net/2445/66470
Classificació de proteïnes segons on es troben a la cel·lula mitjançant tècniques de Machine Learning
Journal Title
Authors
Director/Tutor
Journal ISSN
Volume Title
Related resource
Abstract
La predicció de la funció d’una proteïna és un dels problemes més desafiadors en l’era
post genomica. El nombre de noves proteïnes identificades ha augmentat exponencialment
amb els avenços de les tècniques d’alt rendiment. Encara que, la caracterització funcional
d’aquestes noves proteïnes no ha augmentat en la mateixa proporció.
Tenint en compte aquest punt, aquest treball proporciona una descripció comprensible
de l’enfocament de l’aprenentatge auomàtic, que s’apliquen actualment en problemes de
classificció de proteïnes i predicció de la funció. En aquest treball principalment es farà
servir el mètode de support vector machine per realitzar la classificació i la predicció.
Primer de tot es defineix que és una proteïna i perquè és important tenir una classificació
de proteïnes, llavors es presenta l’aprenentatge automàtic per cadenes de caràcters
i algunes eines útils per treballar-lo en R. Un cop es sap que és l’aprenentatge automàtic
i les seves característiques, l’objectiu es exposar la classificació de proteïnes i la seva
predicció, tal com s’ha fet en l’apartat de l’aprenentatge automàtic es proposen algunes
eines útils per poder-ho treballar amb R. Finalment es fa una classificació de proteïnes
segons on es troben a la cèl·lula i la seva predicció amb una base de dades proteòmica real.
Description
Treballs Finals de Grau en Estadística UB-UPC, Facultat d'Economia i Empresa (UB) i Facultat de Matemàtiques i Estadística (UPC), Curs: 2015, Tutor: Esteban Vegas Lozano
Subject (English)
Citation
Citation
CARTANYÀ HUESO, Àurea. Classificació de proteïnes segons on es troben a la cel·lula mitjançant tècniques de Machine Learning. [consulted: 17 of June of 2026]. Available at: https://hdl.handle.net/2445/66470