000149263 001__ 149263 000149263 005__ 20250127135741.0 000149263 037__ $$aTAZ-TFG-2024-4731 000149263 041__ $$aspa 000149263 1001_ $$aSiwinska, Patricia 000149263 24200 $$aDifussion models for biochemical network parameter generation 000149263 24500 $$aModelos de difusión para generación de parámetros en redes bioquímicas 000149263 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2024 000149263 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000149263 520__ $$aLas redes bioquímicas se representan mediante grafos, donde las moléculas biológicas, como compuestos y metabolitos, actúan como nodos conectados por interacciones físicas o funcionales. A través de estos procesos, se libera una energía conocida como energía libre de Gibbs, la cual ofrece información crucial sobre la termodinámica de las reacciones químicas, incluyendo su espontaneidad, la energía requerida y el equilibrio. La estimación precisa de esta energía tiene múltiples aplicaciones en bioquímica, facilitando el estudio de la termodinámica de compuestos y la modelización computacional. En farmacología, es particularmente relevante para diseñar y validar rutas de síntesis de compuestos, ayudando a identificar y optimizar posibles reacciones químicas. A pesar de que existen diversos algoritmos para predecir la energía libre de Gibbs, muchos de ellos no consideran de forma adecuada la estructura del grafo o requieren recursos computacionales elevados, además de que la cantidad de datos disponibles para este fin es limitada. Ante esta situación, los modelos de difusión surgen como una solución eficaz, ya que permiten la generación de múltiples muestras válidas que ayudan a estimar la incertidumbre en la predicción de esta energía. En lugar de buscar una predicción exacta, nuestro enfoque se centra en aproximarnos a la distribución de probabilidad de la energía libre de Gibbs. Dado que los grafos presentan simetrías, el uso de modelos deterministas puede conducir a resultados que, pese a partir de entradas distintas, al tener la misma estructura, ofrecen la misma salida. Este trabajo explora la integración de distintos tipos de redes de grafos con modelos de difusión y analiza si esta combinación permite obtener una distribución de probabilidad fiable. A lo largo del estudio, se han realizado varias pruebas para evaluar la viabilidad de esta aproximación y comprobar su efectividad. Se examina también la influencia de distintas características en el entrenamiento y en las predicciones de la energía libre de Gibbs, así como el efecto de las perturbaciones en los modelos para, finalmente, exponer y discutir los resultados obtenidos. En conclusión, este trabajo presenta un enfoque innovador en el campo de la bioquímica y la predicción de la energía libre de Gibbs, al combinar modelos de difusión con redes de grafos. Este enfoque puede suponer un avance significativo, ya que aprovecha la estructura inherente de las redes y la capacidad de manejar la incertidumbre, en lugar de depender únicamente de datos exactos. De esta manera, se abre la posibilidad de realizar predicciones más robustas y flexibles, lo que podría mejorar la comprensión de sistemas bioquímicos complejos y optimizar el diseño de reacciones químicas en contextos donde los datos son limitados o imprecisos.<br /> 000149263 521__ $$aGraduado en Ingeniería Informática 000149263 540__ $$aDerechos regulados por licencia Creative Commons 000149263 691__ $$a3 9 12 000149263 692__ $$aEl trabajo aporta una investigación sobre la termodinámica de las redes metábolicas, que puede ser útil tanto en farmacología y bioquímica (salud y bienestar) como en la industria. 000149263 700__ $$aOarga Hategan, Alexandru Ioan$$edir. 000149263 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cLenguajes y Sistemas Informáticos 000149263 7202_ $$aJúlvez Bueno, Jorge Emilio$$eponente 000149263 8560_ $$f820115@unizar.es 000149263 8564_ $$s2458962$$uhttps://zaguan.unizar.es/record/149263/files/TAZ-TFG-2024-4731.pdf$$yMemoria (spa) 000149263 909CO $$ooai:zaguan.unizar.es:149263$$pdriver$$ptrabajos-fin-grado 000149263 950__ $$a 000149263 951__ $$adeposita:2025-01-27 000149263 980__ $$aTAZ$$bTFG$$cEINA 000149263 999__ $$a20241128123748.CREATION_DATE