SELECCIÓN DE ALGORITMOS PARA LA PREDICCIÓN DE CONTACTOS INTERRESIDUALES DE PROTEÍNAS Jarvin A. Antón Vargas 1,2 , Cosme E. Santiesteban-Toca 2 1 Departamento de Computación. Universidad “Máximo Gómez Báez” de Ciego de Ávila. Cuba. Carretera a Morón, Km 9½. 2 Centro de Bioplantas. Universidad “Máximo Gómez Báez” de Ciego de Ávila. Cuba. Carretera a Morón, Km 9½. janton@informatica.unica.cu RESUMEN: En el campo de la Bioinformática uno de los aspectos principales a resolver es la predicción de las estructuras proteicas, ya sea a partir de su representación tridimensional (3D) o bidimensional (2D), tomando como punto de partida, una secuencia dada de aminoácidos. Partiendo de todo esto, el objetivo de la presente investigación es determinar, experimentalmente, cuáles son los mejores algoritmos de Aprendizaje Automático, que permitan abordar el problema de predicción de contactos interresiduales de proteínas. Para ello, estos algoritmos deberán ser capaces de aprender de las relaciones existentes entre los residuos proteicos y la distancia espacial entre los mismos. En el diseño experimental, se emplearon 95503 instancias obtenidas de 14 proteínas del “CASP9”. Como resultado de la presente investigación se realizó un análisis, el cual permitió determinar experimentalmente, que los mejores algoritmos de AA, para abordar dicho problema, son: BayesianLogisticRegression, ConjutivRules, IBK, J48, MultilayerPerceptron, NaiveBayes, NBTree, OneRule, RBFNetwork, SMO, los cuales presentan un comportamiento similar. Destacándose el J48, el mejor ubicado en el test de rangos de Friedman. Adicionalmente, este algoritmo es el único capaz de brindar un mecanismo de interpretación de la base del conocimiento, debido a que el mismo puede ser transformado a un conjunto de reglas útiles para explicar el proceso de aparición de contactos interresiduales en las proteínas. Palabras claves: Predicción de contactos de proteínas, Aprendizaje Automático, clasificación, J48, OneRule, NBTree, NaiveBayes, MultilayerPerceptron, RBFNetwork.