@article{Bedoya_Tischer_2016, title={Predicción de superfamilias usando modelos 3D enriquecidos con propiedades fisicoquímicas}, volume={18}, url={https://revistaingenieria.univalle.edu.co/index.php/ingenieria_y_competitividad/article/view/2154}, DOI={10.25100/iyc.v18i2.2154}, abstractNote={<p>En este artículo se presenta dos nuevos métodos para la predicción de superfamilias. En el problema de la predicción<br />de superfamilias cada secuencia de aminoácidos se debe clasificar en una de las clases estructurales conocidas (i.e.,<br />superfamilias). La mayoría de las estrategias que se han propuesto para predecir superfamilias se basan en usar<br />los clasificadores binarios que detectan homólogos remotos. Detectar homólogos remotos está relacionado con<br />encontrar un clasificador que es capaz de indicar si una proteína es, o no, un homólogo remoto de un conjuntos de<br />proteínas. Los métodos actuales para detectar superfamilias toman las salidas de los clasificadores binarios para cada<br />superfamilia y construyen un modelo de clasificación. A diferencia de los métodos actuales, los cuales representan<br />a las proteínas considerando la composición de aminoácidos, nosotros usamos el número de veces que modelos<br />3D enriquecidos con propiedades fisicoquímicas ocurren tanto en el mapa de contacto predicho como en la matriz<br />de interacción. Nuestra hipótesis es que al incluir los modelos 3D con las propiedades fisicoquímicas se puede<br />tener un impacto en la exactitud obtenida durante la predicción de superfamilias. En este artículo se presenta dos<br />nuevas estrategias para predecir superfamilias, los métodos single-MCS y hierarchical-MCS, los cuales alcanzan<br />una exactitud del 74% y 76% en el conjunto SCOP 1.53, respectivamente. Además, se presentan otras pruebas<br />realizadas en los conjuntos SCOP 1.55 y SCOP 1.61.</p>}, number={2}, journal={Ingeniería y Competitividad}, author={Bedoya, Oscar and Tischer, Irene}, year={2016}, month={jul.}, pages={65–74} }