Browsing by Author "Finke Ortiz, Jorge"

Now showing 1 - 5 of 5
  • Thumbnail Image
    Item
    Data-driven system identification of the Barabási–Albert Model
    (Pontificia Universidad Javeriana Cali, 2022) Contreras Franco, David; Finke Ortiz, Jorge; Tobón Llano, Luis Eduardo
    Este trabajo compara los métodos Sparse Identification of Nonlinear Dynamics (SINDy) y Nonlinear AutoRegressive Moving Average with eXogenous input (NARMAX) en la tarea de identificación de dinámicas. La comparación consideró sistemas de ecuaciones diferenciales ordinarias (ODE), como los sistemas caóticos, funciones de transferencia no lineales con entrada aleatoria y la evolución del grado de un nodo del modelo Barabási-Albert (BA), con la extensión de la capacidad para identificar diferentes ecuaciones entre dos nodos con diferentes valores de fitness en un modelo de Bianconi-Barabási. Las métricas de comparación seleccionadas se centran en la representación del modelo, la dispersión, el error de estimación y el tiempo. La comparación indica que SINDy encuentra modelos más dispersos, mientras que NARMAX encuentra modelos que minimizan el error de estimación.
  • No Thumbnail Available
    Item
    Detecting Hotspots on Networks
    (Pontificia Universidad Javeriana, 2018) Campos Bustos, Juan Camilo; Finke Ortiz, Jorge
  • Thumbnail Image
    Item
    Hierarchical multi-label classification methods for gene function prediction
    (Pontificia Universidad Javeriana Cali, 2022) Romero González, Miguel Ángel; Rocha Niño, Hernán Camilo; Finke Ortiz, Jorge
    This dissertation studies the problem of predicting gene functions from a computational approach. The goal of this problem is to predict associations between genes and functions, where genes can be associated to multiple biological functions and functions have a hierarchical organization. Four machine learning methods are developed focusing on different aspects of the problem, which has been modeled as a classification task: (a) considering hierarchical relations between functions to produce consistent predictions; (b) creating new data representations to built predictive models; (c) exploiting paths of functions in the hierarchy to detect missing annotations of genes; and (d) integrating information available for multiple organisms into the classification task. The main contributions of this work include novel methods that (i) overcome the limitations of the combinatorial gene function prediction problem; (ii) can be used to effectively identify associations between genes and functions of different organisms, including those that do not have enough data available to train predictive models; and (iii) help to narrow down the search space for in vivo experiments. These methods have been tested in efforts to predict gene functions in rice and maize, but have been formulated more generally and are applicable to any multi-label classification problem where the classes are organized into a hierarchy.
  • Thumbnail Image
    Item
    Identification of stress-responsive genes in differential co-expression networks
    (Pontificia Universidad Javeriana Cali, 2023) Riccio Rengifo, Camila; Rocha Niño, Hernán Camilo; Finke Ortiz, Jorge
    Comprender como los organismos responden al estres ambiental es crucial en el campo de la biologia. Los genes que responden al estres desempenan un papel fundamental en esta adaptacion y su identificacion es un desafio significativo. Los enfoques tradicionales para encontrar estos genes tienen limitaciones para capturar las complejas interacciones geneticas que gobiernan las respuestas al estres. Esta tesis introduce el flujo de trabajo de Integracion de Datos de Control-Estres con Agrupacion Superpuesta (CSI-OC por sus siglas en ingles). La aproximación propuesta combina metodos estadisticos y basados en redes para identificar genes que responden al estres. Utiliza metricas de cambio en la expresion genica y construye redes de coexpresion diferencial para analizar las interacciones genicas. Su caracteristica mas distintiva es la capacidad de detectar modulos de genes superpuestos y seleccionar aquellos relacionados con rasgos fenotipicos. El flujo de trabajo se aplica en arroz y cana de azucar, dos cultivos importantes en la agricultura, revelando genes clave relacionados con la respuesta a estres. Estos modulos superpuestos resultan vitales para comprender las redes de co-expresion y la respuesta al estres. La experimentacion con datos sinteticos valida la fiabilidad del flujo de trabajo. En ultima instancia, esta disertacion enriquece el campo de la biologia al proporcionar una herramienta analítica solida para identificar genes que responden al estres. La deteccion de modulos superpuestos representa un progreso notable, reflejando la intrincada dinamica de las interacciones genicas. Ademas, las aplicaciones potenciales de este flujo de trabajo se extienden mas alla de la biología y abarcan areas como la economia y las ciencias sociales, donde entender las interacciones es clave para comprender los fenomenos sistemicos.
  • Thumbnail Image
    Item
    Modelo de redes complejas y aprendizaje automático para optimización in-silico de la resistencia de Zeamays (maíz) a Puccinia sorghi (roya común del maíz)
    (Pontificia Universidad Javeriana Cali, 2023) Ramírez Rico, Oscar Mauricio; Rocha Niño, Hernán Camilo; Finke Ortiz, Jorge
    La identificación del grupo de genes asociado a una función biológica específica desempeña un papel fundamental en la comprensión del funcionamiento del genoma de una especie. Este conocimiento acerca de la función de un genoma resulta relevante para intervenir en diversos procesos biológicos, como, por ejemplo, los diferentes tipos de estrés que podrían afectar el desarrollo de un organismo. En este trabajo, se lleva a cabo un estudio sobre la expresión de genes y sus funciones biológicas en el maíz (Zea mays), enfocándose particularmente en su respuesta al estrés provocado por la roya común (Puccinia sorghi). El objetivo principal fue predecir las anotaciones funcionales del genoma y, a partir de estas, predecir la capacidad de un conjunto de genes para resistir el estrés. Esto permitirá disminuir la cantidad de genes que requieren validación experimental in vivo, optimizando tanto el tiempo de investigación como la eficiente utilización de recursos disponibles. Para alcanzar tal propósito, se emplea una metodología in silico fundamentada en la asociación de anotaciones funcionales del genoma y en la clasificación de genes que demuestran resistencia al estrés. Estas predicciones se realizan utilizando técnicas de aprendizaje automático supervisado, tomando en cuenta la información de anotaciones funcionales previamente identificadas en la literatura, así como bases de datos conocidas y las propiedades topológicas de la red de coexpresión del maíz. Estas anotaciones funcionales resultan fundamentales para analizar los procesos biológicos relacionados con esta enfermedad y desempeñan un papel clave en la mejora de la resistencia al estrés ambiental en el maíz. Los genes identificados como resistentes pueden ser de gran ayuda al reducir el conjunto de genes candidatos que deben someterse a validación in vivo en respuesta a un tratamiento específico.