Modelo de redes complejas y aprendizaje automático para optimización in-silico de la resistencia de Zeamays (maíz) a Puccinia sorghi (roya común del maíz)

Ramírez Rico, Oscar Mauricio

Modelo de redes complejas y aprendizaje automático para optimización in-silico de la resistencia de Zeamays (maíz) a Puccinia sorghi (roya común del maíz)

dc.contributor.advisor	Rocha Niño, Hernán Camilo
dc.contributor.advisor	Finke Ortiz, Jorge
dc.contributor.author	Ramírez Rico, Oscar Mauricio
dc.date.accessioned	2025-04-03T19:24:19Z
dc.date.available	2025-04-03T19:24:19Z
dc.date.issued	2023
dc.description.abstract	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.	spa
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ingeniería
dc.format.mimetype	application/pdf
dc.identifier.uri	http://hdl.handle.net/11522/4701
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javeriana Cali
dc.publisher.department	Facultad de Ingeniería y Ciencias
dc.publisher.program	Maestría en Ingeniería
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Zea mays	spa
dc.subject	Genoma	spa
dc.subject	Puccinia sorghi
dc.subject	Machine learning
dc.subject	Genome	eng
dc.subject	Coexpresión	eng
dc.subject	Co-expression	eng
dc.title	Modelo de redes complejas y aprendizaje automático para optimización in-silico de la resistencia de Zeamays (maíz) a Puccinia sorghi (roya común del maíz)	spa
dc.type	master thesis
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría
dc.type.redcol	https://purl.org/redcol/resource_type/TM