Serviços Personalizados
Journal
Artigo
Indicadores
- Citado por SciELO
- Acessos
Links relacionados
- Similares em SciELO
Compartilhar
Computación y Sistemas
versão On-line ISSN 2007-9737versão impressa ISSN 1405-5546
Comp. y Sist. vol.19 no.1 Ciudad de México Jan./Mar. 2015
https://doi.org/10.13053/CyS-19-1-1409
Artículos
Sistema de reconocimiento de patrones de sustancias químicas cerebrales basado en minería de datos
Pattern Recognition System Based on Data Mining for Analysis of Chemical Substances in Brain
Junior Altamiranda1, José Aguilar1 y Luis Hernández2
1 Universidad de Los Andes, Facultad de Ingeniería, Departamento de Computación, CEMISID, Mérida, Venezuela. altamira@ula.ve, aguilar@ula.ve.
2 Universidad de Los Andes, Facultad de Medicina, Laboratorio de Fisiología, Mérida, Venezuela. hernandenator@gmail.com.
Autor de correspondencia es Junior Altamiranda.
Artículo recibido el 24/09/2012.
Aceptado el 09/12/2014.
Resumen
En este trabajo se presenta un Sistema de Minería de Datos para interpretar los cambios bioquímicos que ocurren en los cerebros de los roedores. El análisis manual de tales experimentos es impráctico debido a la naturaleza voluminosa de los datos que son generados y la naturaleza tediosa del análisis de su significado, por lo que información importante se pierde. Por esta razón, se ha diseñado un Sistema de Minería de Datos el cual contiene varios pasos (pre-procesamiento de los datos, clasificación de la información recolectada, etc.), y utiliza la Red Neuronal Artificial basada en la Teoría de Resonancia Adaptativa en la realización de algunos de ellos. En este artículo se describe el Sistema, y se prueba su funcionamiento estudiando los neurotransmisores glutámato y aspartato de muestras extraídas del cerebro de roedores.
Palabras clave: Minería de Datos, Bioinformática, Redes Neuronales Artificiales, Teoría de Resonancia Adaptativa.
Abstract
This paper presents a data mining system for analyzing biochemical changes in the brain of rodents. Manual analysis of such experiments is impractical due to a huge volume of generated data and tedious analytical procedures; as a result, important information is lost. Addressing this issue, our paper proposes a data mining system consisting of several steps (preprocessing, data classification, etc.). In some of the steps we apply the artificial neural network based on the adaptive resonance theory. This paper describes the proposed system and experiments performed to validate it. In the experiments, glutamate and aspartate neurotransmitters in samples extracted from rodent brains were analyzed.
Keywords: Data mining, bioinformatics, neural network, adaptive resonance theory.
DESCARGAR ARTÍCULO EN FORMATO PDF
Agradecimiento
Al Proyecto CDCHTA l-1407-14-02-B de la Universidad de Los Andes por su apoyo financiero.
Referencias
1. Pérez, L., Arencibia, R., Conill, C., Achón, G., & Araujo, J. (2003). Impacto de la Bioinformática en las ciencias biomédicas. ACIMED, Vol. 11, No. 4, Cuba. [ Links ]
2. Altamiranda, J., Aguilar, J., & Delamarche, C. (2013). Comparison and fusion model in protein motifs. Proceedings XXXIX Latin America Computing Conference (CLEI20013), pp. 1-12. [ Links ]
3. Altamiranda, J., Aguilar, J., & Delamarche, C. (2011). Similarity of Amyloid Protein Motif using an Hybrid Intelligent System. Latin America Transactions IEEE, Vol. 9, No. 5, pp. 700-710. doi:10.1109/TLA.2011.6030978. [ Links ]
4. Gentleman, R., Carey, V., Bates, D., Bolstad, B., Dettling, M., Dudoit, S., Ellis, B., Gautier, L., Ge, Y., Gentry, J., Hornik, K., Hothorn, T., Huber, W, Iacus, S., Irizarry, R., Leisch, F., Li, C., Maechler, M., Rossini, A.J., Sawitzki, G., Smith, C., Smyth, G., Tierney, L., Yang, J., & Zhang, J. (2004). Bioconductor: open software development for computational biology and bioinformatics. Genome Biol, Vol. 5, No. 10. doi:10.1186/gb-2004-5-10-r80. [ Links ]
5. Cock, P., Antao, T., Chang, J., Chapman, B., Cox, C., Dalke, A., Friedberg, I., Hamelryck, T., Kauff, F., Wilczynski, B., & Hoon, M. (2009). Biopython: freely available Python tools for computational molecular biology and bioinformatics. Bioinformatics, Vol. 25, No. 11, pp 1422-1423. doi: 10.1093/bioinformatics/btp163. [ Links ]
6. Ben-Hur, A., Ong, C.S., Sonnenburg, S., Schólkopf, B., & Rátsch, G. (2008). Support Vector Machines and Kernels for Computational Biology. PLoS Comput Biol, Vol. 4, No. 10. doi:10.1371/journal.pcbi.1000173. [ Links ]
7. Sánchez, F., López, G., & García, V. (1999). Bioinformática y salud: Impactos de la aplicación de las nuevas tecnologías para el tratamiento de la información genética en la investigación biomédica y la práctica clínica. Informática y Salud, No. 19. [ Links ]
8. Febles, J., & González, A. (2002). Aplicación de la minería de datos en la Bioinformática. ACIMED, Vol.10, No. 2, Cuba. [ Links ]
9. Hernández, L., Joshi, N., Murzi, E., Verdeguer, P., Mifsud, J., & Guzmán, N. (1993). Collinear laser-induced fluorescence detector for capillary electrophoresis. Analysis of Glutamic acid in brain dialysates. Journal of Chromatography A, Vol. 652, pp. 399-405. doi:10.1016/0021-9673(93)83259-U. [ Links ]
10. Guzmán, N., Park, S., Schaufelberger, D., Hernández, L., Paez, X., Rada, P., Tomlinson, A., & Naylor, S. (1997). New approaches in clinical chemistry: on-line analyte concentration and microreaction capillary electrophoresis for the determination of drugs, metabolic intermediates, and biopolymers in biological fluids. J. Chromatograpg. B., Vol. 697, pp. 7-66. doi:10.1016/S0378-4347(97)00275-2. [ Links ]
11. León, V. (1998). Manual de usuario del ONICE. Universidad de los Andes, Facultad de Medicina, Departamento de Fisiología, Mérida, Venezuela. [ Links ]
12. Aguilar, J., & Hernández, L. (2009). Design and Implementation of a Patterns Recognition System for Analysis of Biological Liquids. IEEE Trans. Latin America, Vol. 7, No. 1, pp. 12-26. doi:10.1109/CEC.2008.4631056. [ Links ]
13. Cazes, J. (2004). Encylopedia of Chromatografy. Marcel Dekker. [ Links ]
14. Electroforesis [online]. http://www.javeriana.edu.co/Facultades/Ciencias/neurobioquimica/libros/celular/electroforesis.html. [ Links ]
15. Practica 4. Espectrofotometría [online]. http://www.upo.es/depa/webdex/quimfis/docencia/quimbiotec/FQpractica4.pdf. [ Links ]
16. Ceballos, G., Hernández, L., & Paredes, J. (2009). Data Processing and Pattern Recognition in High - Throughput Capillary Electrophoresis. 17th European Signal Processing Conference (EUSIPCO 2009), pp. 1592-1596. [ Links ]
17. Ceballos, G., Hernández, L., & Paredes, J. (2007). A novel approach for Pattern Recognition in Capillary Electrophoresis Data. CLAIB 2007, IFMBE Proceedings, Springer, Vol. 18, pp. 150-153. [ Links ]
18. Ceballos, G., Cuadros, J., & Paredes, J. (2008). Herramienta de software para el análisis de datos. Mecánica Computacional, Vol. 27. pp. 3299-3315. [ Links ]
19. Paredes, J. & Sosa, E. (2009). Corrección de línea base en datos electroforéticos usando optimización local del algoritmo legend en el dominio wavelet. Revista Interciencia, Vol. 34, No 8. [ Links ]
20. Savitzky, A. & Golay, M. (1964). Smoothing and Differentiation of Data by Simplified Least Squares Procedures. Analytical Chemistry, Vol. 36, No. 8, pp. 1627-1639. doi: 10.1021/ac60214a047. [ Links ]
21. Aguilar, J. & Rivas, F. (2001). Introducción a la Computación Inteligente. MERITEC. Venezuela. [ Links ]
22. Hilera, J. & Martinez, V. (1995). Redes Neuronales Artificiales: Fundamentos, Modelos y Aplicaciones. Addison-Wesley. [ Links ]
23. Carpenter, G. & Grossberg, S. (1987). ART 2: self-organization of stable category recognition codes for analog input patterns. Applied Optics, Vol. 26. No. 23, pp. 4919-4930. doi: 10.1364/AO.26.004919. [ Links ]
24. Carpenter, G. & Grossberg, S. (1988). The ART of Adaptive Resonance Theory by a Self-Organizing Neural Network. IEEE Computer, Vol. 21, No. 3, pp. 77-88. doi:10.1109/2.33. [ Links ]
25. Carpenter, G. & Grossberg, S. (1991). Pattern Recognition by Self-Organizing Neural Network. MIT Press. [ Links ]
26. Gobbert, M. ([online]) How to Get Started with Matlab at UMBC. http://www.math.umbc.edu/~gobbert/matlab.html. [ Links ]
27. Medina, A. & Escobar, M. (2004). Plasticidad Neural y su relación con el sistema de transportadores de Glutámato. Revista Colombiana de Psiquiatría, Vol. 33, No. 1, pp. 155-164. [ Links ]
28. Stewart, R., Gideoni, I., & Zhu, Y. (2011). Signal Processing Methods for Capillary Electrophoresis Systems and Computational Biology. Bioinformatics and Computational Modeling, Ning-Sun Yang (Ed. [ Links ]).
29. Yang, C, He, Z, & Yu, W. (2009). Comparison of public peak detection algorithms for MALDI mass spectrometry data analysis. BMC Bioinformatics, Vol. 10, No. 4. [ Links ]
30. Diaz, J. (2008). Análisis de Comparativa de Métodos de Adquisición de Datos en los Sistemas Automáticos del Currículo de Tecnología Industrial. Revista Digital CSI, No. 5. [ Links ]
31. Feilmayr, C. (2013). Optimizing Selection of Assessment Solutions for Completing Information Extraction Results. Computación y Sistemas, Vol. 17, No. 2, pp. 169-178. [ Links ]
32. Morales, L., Vázquez, R., Morales, E., & Semenovich, Y. (2012). Speckle Noise Reduction in Ultrasound Imaging using the Key Points in Low Degree Unbiased FIR Filters. Computación y Sistemas, Vol. 16, No. 3, pp. 287-295. [ Links ]
33. Batyrshin, I. & Sheremetov, L. (2008). Perception-based approach to time series data mining. Applied Soft Computing, Vol. 8, No. 3, pp. 1211-1221. [ Links ]