Desarrollo de un modelo bioinformático como herramienta predictiva del comportamiento y trazabilidad de células madre para la diferenciación miocárdica en base a factores de inducción exógenos

• Autores: Pablo Juan Álvarez Aránega
• Directores de la Tesis: Fernando Rodríguez Serrano (dir. tes.), Alberto Prieto Espinosa (codir. tes.), José Carlos Prados Salazar (codir. tes.)
• Lectura: En la Universidad de Granada ( España ) en 2009
• Idioma: español
• Tribunal Calificador de la Tesis: María Angustias Palomar (presid.), María Celia Vélez Fenández (secret.), Ignacio Fernandez de las Nieves (voc.), Ivana Rita Maida (voc.), Octavio Caba Pérez (voc.)
• Materias:
  • Matemáticas
    • Análisis numérico
      • Construcción de algoritmos
    • Estadística
      • Calculo en estadística
  • Ciencias de la vida
    • Biología celular
      • Cultivo celular
  • Ciencias médicas
    • Medicina interna
      • Cardiología
• Texto completo no disponible (Saber más ...)
• Resumen

  • Según la Organización Mundial de la Salud, las enfermedades cardiovasculares son la principal causa de muerte en todo el mundo, y son responsables de un importante gasto sanitario. Entre las alternativas terapéuticas a los tratamiento convencionales se encuentra la medicina regenerativa, cuyo objetivo se centra en remplazar los cardiomiocitos dañados. De hecho en la literatura científica se han propuesto muchos protocolos encaminados diferenciar células madre hacia cardiomiocitos. El objetivo principal de esta tesis es el desarrollo de modelos bioinformáticos basados en algoritmos que permitan por un lado identificar los factores más relevantes para la diferenciación cardiomiocítica, y por otro lado predecir la calidad de la diferenciación a obtener a partir de factores exógenos específicos. Para ello, construimos una base de datos en la que se incorporaron todas las condiciones que conducen hacia dicha diferenciación, y la calidad final obtenida. Tras la tipificación de los datos, procedimos a generar los modelos implementándolos con los algoritmos Support Vector Machine y Árbol de Decisión, tanto en salida binaria como en gradual. Tras la validación con muestras de calidad conocida pudimos comprobar cómo los modelos basados en ambos motores estadísticos se ajustaron estrechamente a nuestro sistema de estudio. Y además, pudimos determinar que el modelo que mejores predicciones realiza en salida binaria es el Árbol de Decisión, mientras que para salida gradual es el desarrollado con Support Vector Machine.