Evaluación de un nuevo esquema de codificación de secuencias de ADN basado en propiedades fisicoquímicas en modelos de Deep Learning

En el análisis computacional de secuencias genómicas, la forma en que se representan los datos de ADN influye directamente en la capacidad predictiva de los modelos de aprendizaje profundo. Este trabajo evaluó comparativamente el impacto de tres enfoques de representación (k-mers, codificación one-h...

Full description

Autores:

Sánchez Aristizabal, Daniela

Tipo de recurso:

Trabajo de grado de pregrado

Fecha de publicación:

2025

Institución:

Universidad de Antioquia

Repositorio:

Repositorio UdeA

Idioma:

spa

OAI Identifier:

oai:bibliotecadigital.udea.edu.co:10495/48049

Acceso en línea:

https://hdl.handle.net/10495/48049

Palabra clave:

Análisis de Secuencia de ADN
Sequence Analysis, DNA
Aprendizaje Profundo
Deep Learning
Aprendizaje Automático
Machine Learning
Aprendizaje Profundo
Deep Learning
Propiedades fisicoquímicas
Chemicophysical properties
Red nerviosa
Neural networks (Neurobiology)
Representación de secuencias ADN
Rendimiento computacional
Clasificación taxonómica
Genómica computacional
Redes neuronales
Rendimiento computacional
Splicing
https://id.nlm.nih.gov/mesh/D017422
https://id.nlm.nih.gov/mesh/D000077321
https://id.nlm.nih.gov/mesh/D000069550
https://id.nlm.nih.gov/mesh/D000077321

Rights

openAccess

License

http://creativecommons.org/licenses/by-nc-sa/4.0/