Resumen

El avance viral sigue siendo un importante factor disuasorio de la viabilidad de los frmacos antivirales. La capacidad de anticipar esta evolucin ayudar a detectar precozmente las cepas resistentes a los frmacos y puede favorecer que los medicamentos antivirales sean el plan ms eficaz. En los ltimos aos, ha surgido un modelo de aprendizaje profundo denominado red neuronal seq2seq que se ha utilizado ampliamente en el procesamiento del lenguaje natural. En esta investigacin, tomamos prestado este enfoque para predecir secuencias de prxima generacin utilizando la red neuronal seq2seq LSTM mientras consideramos estas secuencias como datos de texto. Utilizamos vectores individuales calientes para representar las secuencias como entrada al modelo; posteriormente, mantiene la posicin de informacin bsica de cada nucletido en las secuencias. Se utilizan dos conjuntos de datos de secuencias de virus ARN para evaluar el modelo propuesto, con resultados alentadores. Los resultados obtenidos ilustran el potencial de utilizacin de la red neuronal LSTM para secuencias de ADN y ARN en la resolucin de otros problemas de secuenciacin en bioinformtica.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Progreso viral; Fármacos antivirales; Red neuronal seq2seq; Modelo de aprendizaje profundo; Virus ARN; Red neuronal LSTM
• Keywords:Viral progress; Antiviral drugs; Seq2seq neural network; Deep learning model; RNA viruses; LSTM neural network