Resumen

La evidencia emergente demuestra que la modificación post-traduccional juega un papel importante en varias enfermedades complejas humanas. Sin embargo, considerando el alto costo inherente y el consumo de tiempo de los experimentos clásicos y típicos in vitro, se ha prestado una atención creciente al desarrollo de herramientas computacionales eficientes y disponibles para identificar los posibles sitios de modificación a nivel de proteínas. En este trabajo, proponemos un modelo basado en aprendizaje automático llamado CirBiTree para la identificación de los posibles sitios de citrulinación. Más específicamente, inicialmente utilizamos el biperfil bayesiano para extraer información de secuencias de péptidos. Luego, se emplea un árbol neuronal flexible y una red neuronal difusa como modelo de clasificación. Finalmente, se ha seleccionado la longitud más disponible de los péptidos identificados en este modelo. Para evaluar el rendimiento de los métodos propuestos, se han empleado algunos métodos de vanguardia para la comparación. Los resultados experimentales demuestran que el método propuesto es mejor que otros métodos.

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Modificación post-traduccional; Enfermedades complejas humanas; Herramientas computacionales; Sitios de modificación potenciales; Modelo basado en aprendizaje automático; CirBiTree
• Keywords:Post-translational modification; Human complex diseases; Computational tools; Potential modification sites; Machine learning-based model; CirBiTree