Predicción estructural de proteínas usando técnicas de clasificación

Abstract

Este artículo puede compartirse bajo la licencia CC BY-ND 4.0 y se referencia usando el siguiente formato: C. Charry, O. Bedoya, "Predicción estructural de proteínas usando técnicas de clasificación," Rev. RESUMEN En este artículo se presenta un nuevo enfoque para la predicción estructural de proteínas. A diferencia de los métodos que existen actualmente, en este trabajo se propone un enfoque en el que se utilizan algoritmos de clasificación basados en aprendizaje supervisado para llevar a cabo la predicción estructural. El desempeño del método propuesto se compara con el de métodos tradicionales como LFF (Local Feature Frequency) usando el conjunto de datos SCOP 2.05. Los resultados obtenidos indican que hay una diferencia favorable para el método propuesto alcanzando porcentajes de proteínas correctamente clasificadas de 92.13%, 96.32%, 93.05%, y 76.35%, a nivel de clase, pliegue, superfamilia, y familia, respectivamente, superando a métodos tradicionales como LFF que obtiene porcentajes de 85.90%, 90.54%, 79.85% y 67.38% para los mismos niveles estructurales. ABSTRACT In this paper, a new protein structure prediction method is presented. Unlike the current methods, we use an approach based on supervised classification algorithms during the protein structure prediction. The accuracy of the proposed method was compared to traditional methods such as LFF (Local Feature Frequency) when using the SCOP 2.05 dataset. The results indicate that there is a significant difference between these two methods. The proposed method reaches accuracy values of 92.13%, 96.32%, 93.05%, and 76.35%, at class, fold, superfamily, and family levels, respectively, and the LFF method reaches accuracy values of 85.90%, 90.54%, 79.85% and 67.38%, for the same structural levels.