Reducción de la Dimensionalidad en Perfiles Tumorales con Metodos de Kernel y Redes Neuronales

Autores/as

  • Martin Palazzo, Doctorando Plataforma de Bioinformatica, Instituto de Investigación en Biomedicina de Buenos Aires - Consejo Nacional de Investigaciones Cientificas y Tecnicas de Argentina (CONICET) - Partner Institute of the Max Planck Society - Argentina / Université de Technologie de Troyes, Francia.
  • Patricio Yankilevich Director
  • Pierre Beauseroy Codirector

DOI:

https://doi.org/10.33414/ajea.5.779.2020

Palabras clave:

Métodos de Kernel, Redes Neuronales Artificiales, Genómica, Cáncer

Resumen

Los perfiles tumorales en humanos pueden ser caracterizados por su genómica mediante la expresión de miles de genes. Este tipo de señales pueden ser aprovechadas para detectar estadísticamente patrones que permitan clasificar o agrupar de manera supervisada o no supervisada perfiles tumorales según su fenotipo. En esta presentación y revisión se busca listar dos casos para poder reducir la dimensionalidad genómica y encontrar biomarcadores que permitan realizar las tareas de aprendizaje estadístico mencionadas. Para reducir la dimensionalidad se utilizan funciones de Kernel en combinación con redes Neuronales Artificiales. Los resultados obtenidos en la presente revisión muestran el potencial de estas herramientas para el procesamiento de datos genómicos en pacientes oncológicos.

Descargas

Los datos de descargas todavía no están disponibles.

Descargas

Publicado

2020-10-05

Cómo citar

Palazzo, M., Yankilevich, P., & Beauseroy, P. (2020). Reducción de la Dimensionalidad en Perfiles Tumorales con Metodos de Kernel y Redes Neuronales. AJEA, (5). https://doi.org/10.33414/ajea.5.779.2020