Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/10391
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorDiana Margarita Córdova Esparzaes_ES
dc.contributorMacrina Beatriz Silva Cázareses_ES
dc.contributorJulio Alejandro Romero Gonzálezes_ES
dc.contributorAna Marcela Herrera Navarroes_ES
dc.contributorFidel González Gutiérrezes_ES
dc.creatorJorge Alberto Contreras Rodríguezes_ES
dc.date2024-03-15-
dc.date.accessioned2024-04-17T13:28:47Z-
dc.date.available2024-04-17T13:28:47Z-
dc.date.issued2024-03-15-
dc.identifierCáncer de mamaes_ES
dc.identifierMicro-RNAses_ES
dc.identifierPredicción de blancoses_ES
dc.identifierAprendizaje automáticoes_ES
dc.identifierBosques aleatorioses_ES
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/10391-
dc.descriptionEsta tesis se centra en el desarrollo de un modelo de aprendizaje automático para la predicción de blancos de micro-RNAs (miRNAs) relacionados con el cáncer de mama. El objetivo principal es la creación de un algoritmo basado en un modelo de aprendizaje automático que emplea un clasificador para identificar blancos predictivos de miRNAs en el subtipo de cáncer de mama conocido como BRCA. La metodología utilizada se basó en la recopilación de datos a partir de la plataforma BioPortal, específicamente de la fuente TCGA. Se seleccionó información relevante relacionada con la expresión de miRNAs en los subtipos luminal y basalike del cáncer de mama. Se implementó la técnica de aprendizaje automático conocida como "Bosques Aleatorios" para llevar a cabo la clasificación de los miRNAs de interés, es decir, aquellos que actúan como blancos predictivos de cáncer de mama. Para evaluar el rendimiento del modelo, se aplicaron métricas clave, incluyendo la precisión, sensibilidad y especificidad. Los resultados revelaron una alta precisión del 95%, indicando que el modelo realiza predicciones precisas. Sin embargo, se observó una sensibilidad del 20%, lo que sugiere que el modelo tiene dificultades para identificar correctamente la mayoría de las muestras positivas. Por otro lado, se logró una especificidad del 100%, lo que indica que el modelo es eficaz en la identificación de las muestras negativas, también se determinó que el bajo rendimiento en la sensibilidad puede ocasionarse debido a las pocas muestras de clase positiva con las que fue entrenado este modelo aun así se logró identificar una clase positiva la cual es de suma importancia para esta investigación. Este estudio tiene importantes implicaciones para la predicción de blancos predictivos de miRNAs en el cáncer de mama. La combinación de aprendizaje automático y el análisis de expresión génica podría mejorar significativamente los tratamientos y la detección temprana de esta enfermedad, lo que representa un avance significativo en la lucha contra el cáncer de mama.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autónoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectIngeniería y Tecnologíaes_ES
dc.subjectCiencias Médicases_ES
dc.subjectCiencias Clínicases_ES
dc.titleModelo en aprendizaje automático para predicción de blancos de micro-RNAs de cáncer de mama.es_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificadorhttps://orcid.org/0000-0001-5438-241Xes_ES
dc.contributor.identificadorhttps://orcid.org/0000-0002-5657-7752es_ES
dc.contributor.roleDirectores_ES
dc.contributor.roleSecretarioes_ES
dc.contributor.roleVocales_ES
dc.contributor.roleSuplentees_ES
dc.contributor.roleSuplentees_ES
dc.degree.nameMaestría en ciencias de la computaciónes_ES
dc.degree.departmentFacultad de Informáticaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias de la Computación

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IFMAC-309433 (Pdf -A).pdf1.18 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.