Predicciones de supervivencia celular a través de machine learning

Simple item page
dc.catalogadorvdr
dc.contributor.advisorRussomando, Andrea
dc.contributor.authorValenzuela Paredes, María Pía
dc.contributor.otherPontificia Universidad Católica de Chile. Facultad de Física
dc.date.accessioned2025-02-24T19:15:59Z
dc.date.available2025-02-24T19:15:59Z
dc.date.issued2025
dc.date.updated2025-01-29T18:21:19Z
dc.descriptionTesis (Magíster en Física Médica)--Pontificia Universidad Católica de Chile, 2025
dc.description.abstractLa radioterapia con protones e iones pesados es un tratamiento eficaz contra el cáncer, por esto comprender su impacto a nivel biológico es esencial para optimizar su efectividad. Predecir los efectos biológicos de la radiación, que dependen de las condiciones de irradiación y la complejidad del daño al ADN, sigue siendo un desafío importante, especialmente en distribuciones de dosis como las usadas con partículas pesadas.En este trabajo se desarrollaron modelos de aprendizaje automático para hacer predicciones de supervivencia celular in-vitro. El trabajo principal fue enfocado en modelos para predicciones con partículas pesadas, también se entrenaron modelos similares para experimentos con fotones. A la vez, se combinaron simulaciones Monte Carlo con los modelos para hacer predicciones de supervivencia en profundidad, a partir de una distribución de dosis simulada de protones.Los modelos fueron entrenados usando una base de datos que recopila experimentos in-vitro de la literatura, en particular se usaron datos de 923 experimentos que abarcan 130 líneas celulares y 26 iones distintos. Se usó un número limitado de variables, que considera el tipo de célula y parámetros físicos como la dosis, energía y tipo de ion.Los modelos entrenados alcanzaron un coeficiente de determinación superior a 0.8 en el conjunto de prueba y en el conjunto de validación externa. Asimismo, al combinar los modelos con simulaciones Monte Carlo, fue posible replicar la disminución en la supervivencia celular en una configuración compleja.Este trabajo demuestra que es factible combinar modelos de aprendizaje automático con Monte Carlo, y dada la pequeña cantidad de variables utilizadas, es fácil de implementar en entornos experimentales, proporcionando una alternativa a otros modelos existentes.
dc.description.abstractLa radioterapia con protones e iones pesados es un tratamiento eficaz contra el cáncer, por esto comprender su impacto a nivel biológico es esencial para optimizar su efectividad. Predecir los efectos biológicos de la radiación, que dependen de las condiciones de irradiación y la complejidad del daño al ADN, sigue siendo un desafío importante, especialmente en distribuciones de dosis como las usadas con partículas pesadas. En este trabajo se desarrollaron modelos de aprendizaje automático para hacer predicciones de supervivencia celular in-vitro. El trabajo principal fue enfocado en modelos para predicciones con partículas pesadas, también se entrenaron modelos similares para experimentos con fotones. A la vez, se combinaron simulaciones Monte Carlo con los modelos para hacer predicciones de supervivencia en profundidad, a partir de una distribución de dosis simulada de protones. Los modelos fueron entrenados usando una base de datos que recopila experimentos invitro de la literatura, en particular se usaron datos de 923 experimentos que abarcan 130 líneas celulares y 26 iones distintos. Se usó un número limitado de variables, que considera el tipo de célula y parámetros físicos como la dosis, energía y tipo de ion. Los modelos entrenados alcanzaron un coeficiente de determinación R2 superior a 0.8 en el conjunto de prueba y en el conjunto de validación externa. Asimismo, al combinar los modelos con simulaciones Monte Carlo, fue posible replicar la disminuci´on en la supervivencia celular en una configuraci´on compleja. Este trabajo demuestra que es factible combinar modelos de aprendizaje autom´atico con Monte Carlo, y dada la pequeña cantidad de variables utilizadas, es fácil de implementar en entornos experimentales, proporcionando una alternativa a otros modelos existentes.
dc.fechaingreso.objetodigital2025-01-29
dc.format.extentviii, 89 páginas
dc.fuente.origenAutoarchivo
dc.identifier.doi10.7764/tesisUC/FIS/102219
dc.identifier.urihttps://doi.org/10.7764/tesisUC/FIS/102219
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/102219
dc.information.autorucInstituto de Física; Russomando, Andrea; 0000-0002-5932-2560; 1132471
dc.information.autorucInstituto de Física; Valenzuela Paredes, María Pía; S/I; 1064531
dc.language.isoes
dc.nota.accesoContenido completo
dc.rightsacceso abierto
dc.rights.licenseAtribución 4.0 Internacional (CC BY 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/deed.es
dc.subject.ddc510
dc.subject.deweyMatemática física y químicaes_ES
dc.subject.ods03 Good health and well-being
dc.subject.odspa03 Salud y bienestar
dc.tipo.dtdDesarrollo experimental o investigación aplicada, para la obtención de un proceso/método nuevo o mejorado
dc.titlePredicciones de supervivencia celular a través de machine learning
dc.typetesis de maestría
sipa.codpersvinculados1132471
sipa.codpersvinculados1064531
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
Tesis_magister_M_Pia_Valenzuela.pdf
Size:
4.32 MB
Format:
Adobe Portable Document Format
Description:
Download
Thumbnail Image
Name:
Declaración de Resultados de Investigación.txt
Size:
2.54 KB
Format:
Plain Text
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
3.10 Tesis magíster