1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Química
  4. Maestría
  5. Maestría en Ciencia y Tecnología de Alimentos
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/12453
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorJuan Campos Guillénes_ES
dc.creatorYoali Fernanda Hernández Gómezes_ES
dc.date.accessioned2026-01-13T20:30:51Z-
dc.date.available2026-01-13T20:30:51Z-
dc.date.issued2025-11-04-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/12453-
dc.descriptionLa esclerosis múltiple (EM) es una enfermedad inflamatoria crónica del sistema nervioso central (SNC), caracterizada patológicamente por desmielinización, pérdida axonal y gliosis con la formación de múltiples placas en el cerebro y la médula espinal; y clínicamente por una variedad de signos y síntomas neurológicos diseminados en el tiempo y el espacio. Aunque la etiología (causas) y la patogenia (origen) de la EM no están claramente establecidas, es probable que sea el resultado de interacciones complejas entre factores genéticos y ambientales. La etiología autoinmune de la EM ha sido el objetivo del acercamiento terapéutico a los pacientes. El interferón (IFN)-β es una de las terapias modificadoras de la enfermedad más prescritas en pacientes con esclerosis múltiple recurrente-remitente (EMRR). Sin embargo, este tratamiento es parcialmente efectivo y una proporción significativa de pacientes no responde a este fármaco. El aprendizaje automático (ML) es una rama de la inteligencia artificial (IA) que se enfoca en el desarrollo de modelos computacionales basados en datos para mejorar tareas específicas. En los últimos años se han aplicado algunos métodos de aprendizaje no supervisado (agrupación jerárquica, k-means, etc.) en el estudio de la EM, para realizar tareas de clasificación. Aunque estos métodos son relativamente fáciles de implementar, rara vez proporcionan la mejor solución debido a la gran cantidad de decisiones arbitrarias, y funcionan eficazmente solo cuando el conjunto de datos contiene grupos de tamaño similar y no hay valores atípicos notables. Por lo tanto, en este trabajo de investigación se propone un algoritmo de ML que incluye un sistema experto difuso, basado en la opinión de un experto en neurología, para mejorar la eficiencia en la clasificación de la respuesta al IFN-β en 25 pacientes con EMRR, y un algoritmo genético (GA) para optimizar la sintonización de hiperparámetros de un modelo de red neuronal artificial (ANN) entrenado con biomarcadores genéticos, con el fin de estimar si los pacientes son candidatos potenciales a ser tratados con este fármaco. Los resultados experimentales muestran que el sistema experto difuso propuesto tuvo una mayor eficiencia de clasificación comparado con un método convencional de agrupamiento jerárquico. El modelo ANN logró una mayor precisión de rendimiento y una convergencia más rápida de la función de pérdida, en comparación con otros métodos convencionales de ML.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (78 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autonoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectKosakonia cowaniies_ES
dc.subjectFitopatógenoses_ES
dc.subjectCOVes_ES
dc.subjectInhibiciónes_ES
dc.subjectInteracciónes_ES
dc.subject.classificationBIOLOGÍA Y QUÍMICAes_ES
dc.titleCaracterización de compuestos orgánicos volátiles producidos durante las fases de crecimiento de Kosakonia cowanii y su uso potencial para inhibir el crecimiento de Sclerotium rolfsiies_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0009-9639-5898es_ES
dc.contributor.identificador0000-0001-7117-6781es_ES
dc.contributor.roleDirector de tesises_ES
dc.degree.nameMaestría en Ciencia y Tecnología Ambientales_ES
dc.degree.departmentFacultad de Químicaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator247393es_ES
dc.folioFQMAC-247393es_ES
Aparece en: Maestría en Ciencia y Tecnología de Alimentos

Archivos:
Fichero Descripción Tamaño Formato  
FQMAC-247393.pdf2.02 MBAdobe PDFVisualizar/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.