english Icono del idioma   español Icono del idioma  

Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12008/48451 Cómo citar
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorFariello, María Inés-
dc.contributor.advisorLecumberry, Federico-
dc.contributor.authorAbatte, Iván-
dc.contributor.authorLedesma, Joaquín-
dc.contributor.authorSarachu, Santiago-
dc.date.accessioned2025-02-17T18:18:24Z-
dc.date.available2025-02-17T18:18:24Z-
dc.date.issued2024-
dc.identifier.citationAbatte, I., Ledesma, J. y Sarachu, S. Predicción genómica multimodal : Integración de datos genómicos y ambientales para estimar el rendimiento en maíz mediante Aprendizaje Automático [en línea]. Tesis de grado. Montevideo : Udelar. FI. IIE, 2024.es
dc.identifier.urihttps://hdl.handle.net/20.500.12008/48451-
dc.description.abstractLa predicción genómica consiste en predecir distintos fenotipos, es decir, las características observables de un organismo, a partir de su información genómica. Esta información viene dada por el ADN y se representa por la secuencia de bases que lo componen. Esto hace que el problema de la predicción genómica, sea un problema interesante de abordar con algoritmos de Aprendizaje Automático, ya que los modelos pueden ser entrenados para aprender a mapear secuencias de bases a valores de los fenotipos de interés. Si bien los datos genómicos son útiles, factores ambientales como el clima y las condiciones del suelo influyen significativamente en la expresión de los fenotipos. En este proyecto exploraremos la integración de datos genómicos y ambientales para mejorar la predicción de fenotipos, utilizando un enfoque multimodal. Para esto, utilizaremos una base de datos de maíz que contiene secuencias genómicas y variables ambientales, como datos históricos de clima, datos del suelo, etc. Al igual que en los proyectos de fin de carrera “PredGenIA” y ”DNAI”, los cuales inspiran esta investigación, utilizaremos modelos estadísticos y de Aprendizaje Automático para la tarea de predicción genómica. En este caso utilizaremos modelos lineales mixtos, gradient boosting y redes neuronales, con una arquitectura multimodal para integrar los datos genómicos con los ambientales. El objetivo principal de este proyecto es implementar y comparar estos modelos para evaluar el impacto de los datos ambientales en la predicción genómica. Los resultados muestran cómo la integración de datos multimodales mejora la capacidad de capturar las interacciones genoma-ambiente, ofreciendo predicciones de fenotipos más robustas y realistas.es
dc.format.extent129 p.es
dc.format.mimetypeapplication/pdfes
dc.language.isoeses
dc.publisherUdelar.FIes
dc.rightsLas obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014)es
dc.subject.otherINGENIERIA GENETICAes
dc.subject.otherBIOTECNOLOGIAes
dc.subject.otherALGORITMOSes
dc.subject.otherMODELOS MATEMATICOSes
dc.subject.otherGENESes
dc.subject.otherAPRENDIZAJE AUTOMATICOes
dc.titlePredicción genómica multimodal : Integración de datos genómicos y ambientales para estimar el rendimiento en maíz mediante Aprendizaje Automático.es
dc.typeTesis de gradoes
dc.contributor.filiacionAbatte Iván, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.contributor.filiacionLedesma Joaquín, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.contributor.filiacionSarachu Santiago, Universidad de la República (Uruguay). Facultad de Ingeniería.-
thesis.degree.grantorUniversidad de la República (Uruguay). Facultad de Ingeniería.es
thesis.degree.nameIngeniero Electricistaes
dc.rights.licenceLicencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0)es
Aparece en las colecciones: Tesis de grado - Instituto de Ingeniería Eléctrica

Ficheros en este ítem:
Fichero Descripción Tamaño Formato   
ALS24.pdfTesis de grado6,49 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons