El investigador Jasso, en la tesis de maestría en ciencias de la computación escrita el año 2008 con el título “Sistema para explotar servicios de minería de datos a través de la Web”, menciona que algunas de las herramientas de segunda generación son: IlliMine, Rattle, Rapid Miner y Knime. El grupo de investigación en minería de datos de la Universidad de Illinois, el año 2006 libera la versión 1.1.0 de IlliMine, la cual constituye otra herramienta de minería de datos de segunda generación, IlliMine es un paquete libre, implementado en el lenguaje de alto nivel C++ y desarrollada por el Departamento de Ciencias Computacionales de la Universidad de Illinois en conjunto con el Laboratorio de Investigación de Datos y Sistemas de Información de la universidad citada. IlliMine incluye: (1) Algoritmos de cubos de datos, que constituyen una técnica de manipulación de datos utilizando estructuras de matrices multidimensionales, (2) asociación, (3) minería de patrones secuenciales, la cual es una técnica de extracción de patrones en eventos o sucesos secuenciales donde el factor tiempo juega un papel principal, (4) minería de patrones gráficos, la que constituye una técnica de extracción de patrones de datos representados a través de grafos, y (5) clasificación.
La herramienta analítica para el aprendizaje fácil “Rattle”, fue liberada por Williams en su versión 2.2.74 el año 2007, Rattle es una herramienta libre de minería de datos usada para analizar colecciones de datos muy grandes. Rattle presenta resúmenes estadísticos y visuales de datos, transforma los datos en formas que pueden ser fácilmente modeladas, construye modelos supervisados y no supervisados a partir de los datos, presenta el rendimiento de los modelos gráficamente y da una puntuación a los conjuntos de datos nuevos. A través de una interfaz de usuario simple y lógica basada en Gnome puede ser usado para realizar proyectos de minería de datos. Es posible también realizar proyectos de minería de datos más sofisticados haciendo uso del lenguaje estadístico de licencia libre “R”.
Mierswa y sus colegas, en el artículo publicado el año 2006 con el título “Yale: Prototipado rápido para tareas complejas de minería de datos”, mencionan que Rapid Miner, más formalmente conocido como Yale, es una de las principales herramientas para prototipado y minería de datos de licencia pública a nivel mundial. Desarrollado puramente en Java, contiene una extensión para su fácil uso desde programas de terceros. Ofrece una amplia variedad de diferentes algoritmos y métodos los cuales pueden ser combinados de manera flexible y anidada arbitrariamente. Yale abstrae sus métodos bajo el concepto de operadores contando con más de cuatrocientos y ofreciendo un enfoque de combinación de operadores como un grafo dirigido para representar el proceso de descubrimiento del conocimiento. En este enfoque cada vértice del árbol corresponde a un operador sencillo, permitiendo a los usuarios la fácil incorporación de ciclos dentro de sus experimentos. Los ciclos son esenciales para muchas tareas como optimización de parámetros, selección de características o la aplicación de métodos de aprendizaje iterativos. Knime, en su versión 1.3.1, liberado por la universidad alemana de Konstanz el año 2007, es una plataforma modular de datos que permite al usuario crear visualmente flujos de datos. Permite ejecutar selectivamente algunas o todas los pasos del análisis para posteriormente consultar los resultados a través de vistas interactivas sobre datos y modelos. La versión base de Knime incorpora más de cien nodos de procesamiento para entrada y salida de datos, preprocesamiento y limpieza, modelado, análisis y minería de datos entre otras cosas. Incluye todos los módulos de análisis de Weka y plugins adicionales que permiten que scripts en el lenguaje R sean ejecutados, ofreciendo vasto acceso a bibliotecas de rutinas estadísticas.
De manera subsecuente, aparecieron las herramientas de tercera generación, que se enfocan en resolver las limitantes de trabajar sobre un modelo cerrado, esto es localmente, como lo hacen las herramientas de la segunda generación. Algunos ejemplos de herramientas de la tercera generación son los siguientes: (1) Grid Weka, reportado por Khoussainov y sus colegas, en el artículo publicado el año 2004 titulado “Weka de rejilla habilitada: Un juego de herramientas para el aprendizaje automático en la rejilla”, es una herramienta desarrollada en la Universidad de Dublín que modifica Weka para permitir el uso de múltiples recursos computacionales mientras se ejecuta el análisis de datos. En este sistema, un conjunto de tareas de minería de datos pueden ser distribuidas a través de muchas computadoras en un ambiente ad-hoc o cerrado. (2) Guo y sus colegas, en el artículo publicado el año 2002 con el título “Red de descubrimiento: Hacia una rejilla para el descubrimiento de conocimiento”, proponen una arquitectura, denominada “Red de descubrimiento”, para construir un sistema colaborativo y distribuido de descubrimiento de conocimiento dentro de un ambiente de cómputo en rejilla. Este es un enfoque genérico originado de la necesidad de procesos de descubrimiento de conocimiento en la industria bioinformática, donde procesos complicados de análisis de datos son construidos usando un enfoque basado en tuberías. (3) En el artículo publicado el año 2003 con el título “Hacia una arquitectura de servicio abierto para minería de datos en la rejilla”, Tjoa y sus colegas presentan una arquitectura de software basada en servicio para minería de datos distribuida y de alto rendimiento en ambientes de rejilla y su implementación llamada GridMiner. En este trabajo presentan dos modelos de ejecución para el servicio de minería de datos. El primero es una adaptación a la rejilla de la herramienta Weka a la que llamaron minería de datos centralizada y el segundo es una versión distribuida del mismo que hace uso de los recursos de hardware y software distribuidos unificados dentro de la rejilla.
lunes, 30 de noviembre de 2015
lunes, 19 de octubre de 2015
Evolución de herramientas de minería de datos
El investigador Jasso, en la tesis de maestría en ciencias de la computación escrita el año 2008 con el título “Sistema para explotar servicios de minería de datos a través de la Web”, menciona que algunas de las herramientas de segunda generación son: IlliMine, Rattle, Rapid Miner y Knime. El grupo de investigación en minería de datos de la Universidad de Illinois, el año 2006 libera la versión 1.1.0 de IlliMine, la cual constituye otra herramienta de minería de datos de segunda generación, IlliMine es un paquete libre, implementado en el lenguaje de alto nivel C++ y desarrollada por el Departamento de Ciencias Computacionales de la Universidad de Illinois en conjunto con el Laboratorio de Investigación de Datos y Sistemas de Información de la universidad citada. IlliMine incluye: (1) Algoritmos de cubos de datos, que constituyen una técnica de manipulación de datos utilizando estructuras de matrices multidimensionales, (2) asociación, (3) minería de patrones secuenciales, la cual es una técnica de extracción de patrones en eventos o sucesos secuenciales donde el factor tiempo juega un papel principal, (4) minería de patrones gráficos, la que constituye una técnica de extracción de patrones de datos representados a través de grafos, y (5) clasificación.
La herramienta analítica para el aprendizaje fácil “Rattle”, fue liberada por Williams en su versión 2.2.74 el año 2007, Rattle es una herramienta libre de minería de datos usada para analizar colecciones de datos muy grandes. Rattle presenta resúmenes estadísticos y visuales de datos, transforma los datos en formas que pueden ser fácilmente modeladas, construye modelos supervisados y no supervisados a partir de los datos, presenta el rendimiento de los modelos gráficamente y da una puntuación a los conjuntos de datos nuevos. A través de una interfaz de usuario simple y lógica basada en Gnome puede ser usado para realizar proyectos de minería de datos. Es posible también realizar proyectos de minería de datos más sofisticados haciendo uso del lenguaje estadístico de licencia libre “R”.
Mierswa y sus colegas, en el artículo publicado el año 2006 con el título “Yale: Prototipado rápido para tareas complejas de minería de datos”, mencionan que Rapid Miner, más formalmente conocido como Yale, es una de las principales herramientas para prototipado y minería de datos de licencia pública a nivel mundial. Desarrollado puramente en Java, contiene una extensión para su fácil uso desde programas de terceros. Ofrece una amplia variedad de diferentes algoritmos y métodos los cuales pueden ser combinados de manera flexible y anidada arbitrariamente. Yale abstrae sus métodos bajo el concepto de operadores contando con más de cuatrocientos y ofreciendo un enfoque de combinación de operadores como un grafo dirigido para representar el proceso de descubrimiento del conocimiento. En este enfoque cada vértice del árbol corresponde a un operador sencillo, permitiendo a los usuarios la fácil incorporación de ciclos dentro de sus experimentos. Los ciclos son esenciales para muchas tareas como optimización de parámetros, selección de características o la aplicación de métodos de aprendizaje iterativos. Knime, en su versión 1.3.1, liberado por la universidad alemana de Konstanz el año 2007, es una plataforma modular de datos que permite al usuario crear visualmente flujos de datos. Permite ejecutar selectivamente algunas o todas los pasos del análisis para posteriormente consultar los resultados a través de vistas interactivas sobre datos y modelos. La versión base de Knime incorpora más de cien nodos de procesamiento para entrada y salida de datos, preprocesamiento y limpieza, modelado, análisis y minería de datos entre otras cosas. Incluye todos los módulos de análisis de Weka y plugins adicionales que permiten que scripts en el lenguaje R sean ejecutados, ofreciendo vasto acceso a bibliotecas de rutinas estadísticas.
De manera subsecuente, aparecieron las herramientas de tercera generación, que se enfocan en resolver las limitantes de trabajar sobre un modelo cerrado, esto es localmente, como lo hacen las herramientas de la segunda generación. Algunos ejemplos de herramientas de la tercera generación son los siguientes: (1) Grid Weka, reportado por Khoussainov y sus colegas, en el artículo publicado el año 2004 titulado “Weka de rejilla habilitada: Un juego de herramientas para el aprendizaje automático en la rejilla”, es una herramienta desarrollada en la Universidad de Dublín que modifica Weka para permitir el uso de múltiples recursos computacionales mientras se ejecuta el análisis de datos. En este sistema, un conjunto de tareas de minería de datos pueden ser distribuidas a través de muchas computadoras en un ambiente ad-hoc o cerrado. (2) Guo y sus colegas, en el artículo publicado el año 2002 con el título “Red de descubrimiento: Hacia una rejilla para el descubrimiento de conocimiento”, proponen una arquitectura, denominada “Red de descubrimiento”, para construir un sistema colaborativo y distribuido de descubrimiento de conocimiento dentro de un ambiente de cómputo en rejilla. Este es un enfoque genérico originado de la necesidad de procesos de descubrimiento de conocimiento en la industria bioinformática, donde procesos complicados de análisis de datos son construidos usando un enfoque basado en tuberías. (3) En el artículo publicado el año 2003 con el título “Hacia una arquitectura de servicio abierto para minería de datos en la rejilla”, Tjoa y sus colegas presentan una arquitectura de software basada en servicio para minería de datos distribuida y de alto rendimiento en ambientes de rejilla y su implementación llamada GridMiner. En este trabajo presentan dos modelos de ejecución para el servicio de minería de datos. El primero es una adaptación a la rejilla de la herramienta Weka a la que llamaron minería de datos centralizada y el segundo es una versión distribuida del mismo que hace uso de los recursos de hardware y software distribuidos unificados dentro de la rejilla.
La herramienta analítica para el aprendizaje fácil “Rattle”, fue liberada por Williams en su versión 2.2.74 el año 2007, Rattle es una herramienta libre de minería de datos usada para analizar colecciones de datos muy grandes. Rattle presenta resúmenes estadísticos y visuales de datos, transforma los datos en formas que pueden ser fácilmente modeladas, construye modelos supervisados y no supervisados a partir de los datos, presenta el rendimiento de los modelos gráficamente y da una puntuación a los conjuntos de datos nuevos. A través de una interfaz de usuario simple y lógica basada en Gnome puede ser usado para realizar proyectos de minería de datos. Es posible también realizar proyectos de minería de datos más sofisticados haciendo uso del lenguaje estadístico de licencia libre “R”.
Mierswa y sus colegas, en el artículo publicado el año 2006 con el título “Yale: Prototipado rápido para tareas complejas de minería de datos”, mencionan que Rapid Miner, más formalmente conocido como Yale, es una de las principales herramientas para prototipado y minería de datos de licencia pública a nivel mundial. Desarrollado puramente en Java, contiene una extensión para su fácil uso desde programas de terceros. Ofrece una amplia variedad de diferentes algoritmos y métodos los cuales pueden ser combinados de manera flexible y anidada arbitrariamente. Yale abstrae sus métodos bajo el concepto de operadores contando con más de cuatrocientos y ofreciendo un enfoque de combinación de operadores como un grafo dirigido para representar el proceso de descubrimiento del conocimiento. En este enfoque cada vértice del árbol corresponde a un operador sencillo, permitiendo a los usuarios la fácil incorporación de ciclos dentro de sus experimentos. Los ciclos son esenciales para muchas tareas como optimización de parámetros, selección de características o la aplicación de métodos de aprendizaje iterativos. Knime, en su versión 1.3.1, liberado por la universidad alemana de Konstanz el año 2007, es una plataforma modular de datos que permite al usuario crear visualmente flujos de datos. Permite ejecutar selectivamente algunas o todas los pasos del análisis para posteriormente consultar los resultados a través de vistas interactivas sobre datos y modelos. La versión base de Knime incorpora más de cien nodos de procesamiento para entrada y salida de datos, preprocesamiento y limpieza, modelado, análisis y minería de datos entre otras cosas. Incluye todos los módulos de análisis de Weka y plugins adicionales que permiten que scripts en el lenguaje R sean ejecutados, ofreciendo vasto acceso a bibliotecas de rutinas estadísticas.
De manera subsecuente, aparecieron las herramientas de tercera generación, que se enfocan en resolver las limitantes de trabajar sobre un modelo cerrado, esto es localmente, como lo hacen las herramientas de la segunda generación. Algunos ejemplos de herramientas de la tercera generación son los siguientes: (1) Grid Weka, reportado por Khoussainov y sus colegas, en el artículo publicado el año 2004 titulado “Weka de rejilla habilitada: Un juego de herramientas para el aprendizaje automático en la rejilla”, es una herramienta desarrollada en la Universidad de Dublín que modifica Weka para permitir el uso de múltiples recursos computacionales mientras se ejecuta el análisis de datos. En este sistema, un conjunto de tareas de minería de datos pueden ser distribuidas a través de muchas computadoras en un ambiente ad-hoc o cerrado. (2) Guo y sus colegas, en el artículo publicado el año 2002 con el título “Red de descubrimiento: Hacia una rejilla para el descubrimiento de conocimiento”, proponen una arquitectura, denominada “Red de descubrimiento”, para construir un sistema colaborativo y distribuido de descubrimiento de conocimiento dentro de un ambiente de cómputo en rejilla. Este es un enfoque genérico originado de la necesidad de procesos de descubrimiento de conocimiento en la industria bioinformática, donde procesos complicados de análisis de datos son construidos usando un enfoque basado en tuberías. (3) En el artículo publicado el año 2003 con el título “Hacia una arquitectura de servicio abierto para minería de datos en la rejilla”, Tjoa y sus colegas presentan una arquitectura de software basada en servicio para minería de datos distribuida y de alto rendimiento en ambientes de rejilla y su implementación llamada GridMiner. En este trabajo presentan dos modelos de ejecución para el servicio de minería de datos. El primero es una adaptación a la rejilla de la herramienta Weka a la que llamaron minería de datos centralizada y el segundo es una versión distribuida del mismo que hace uso de los recursos de hardware y software distribuidos unificados dentro de la rejilla.
martes, 13 de octubre de 2015
Evolución de herramientas de minería de datos
En la tesis de grado titulada “Minería de datos aplicada al análisis de la deserción en la Carrera de Analista en Sistemas de Computación”, escrita por el investigador Pautsch en el año 2009, se menciona que el concepto de minería de datos no es nuevo, desde los años 1960, los estadísticos, manejaban términos como “pesca de datos” o “arqueología de datos”. La idea principal era encontrar correlaciones sin una hipótesis previa en base de datos con ruido. Tampoco ninguno de los modelos estadísticos presentes en la minería de datos es nuevo. Los árboles de decisión y de regresión son utilizados desde los señalados años 1960. Las bases de reglas fueron popularizadas durante el auge de los sistemas expertos en los años1980 y las redes neuronales se conocen desde los años 1940, pero han sido necesarios varios años de desarrollo para que fueran utilizables de manera sencilla. Fue a principios de la década de los años 1980 que Rakesh Agrawal, Gio Wiederhold, Robert Blum y Gregory Piatetsky-Shapiro, entre otros, empezaron a consolidar los términos de minería de datos y descubrimiento del conocimiento en bases de datos. Precisamente Piatetsky-Shapiro, en el libro publicado el año 1991 con el título “Descubrimiento de conocimiento en bases de datos”, especifica que la minería de datos se define formalmente como “un conjunto de técnicas y herramientas aplicadas al proceso no trivial de extraer y presentar conocimiento implícito, previamente desconocido, potencialmente útil y humanamente comprensible, a partir de grandes conjuntos de datos, con objeto de predecir, de forma automatizada, tendencias o comportamientos y descubrir modelos previamente desconocidos”. Molina, en el artículo publicado el año 2001 con el título “Torturando a los datos hasta que confiesen”, menciona que, desde el punto de vista empresarial los términos minería de datos y extracción del conocimiento, son tratados como sinónimos, y se los define como: “La integración de un conjunto de áreas que tienen como propósito la identificación de conocimiento obtenido a partir de las bases de datos que aporten un sesgo hacia la toma de decisión”.
El investigador Jasso, en la tesis de maestría en ciencias de la computación escrita el año 2008 con el titulo “Sistema para explotar servicios de minería de datos a través de la Web”, menciona que la minería de datos puede ser vista como una infraestructura que utiliza una selección de diferentes algoritmos y métodos estadísticos para encontrar patrones y tendencias interesantes y novedosas en grandes bases de datos. Entrando en el contexto del artículo propuesto, Shaikh Ali, en el artículo publicado el año 2005 con el título “Composición de servicios Web para minería de datos distribuida”, menciona que a lo largo de la historia de las herramientas de minería de datos, podrían apreciarse tres fases o etapas de su evolución, a estas etapas se las denomina también generaciones para cruzarlas con el concepto mismo de evolución de las herramientas de la minería de datos.
Las herramientas de la primera generación ofrecen típicamente a los usuarios un algoritmo simple de minería de datos que opera sobre un conjunto de datos almacenados de manera local. Algunos ejemplos incluyen el uso de algoritmos de clasificación como el C4.5, planteado por Ross Quinlan en el libro publicado en año 1993 con el título “C4.5: Programas para minería de datos”; algoritmos de agrupamiento como el K-means, descrito por McQueen en el artículo publicado el año 1967 con el título “Algunos métodos para la clasificación y el análisis de multivariaciones”, y otros algoritmos basados en reglas de asociación. Tales herramientas fueron presentadas como programas independientes, obteniendo sus datos de entrada desde la línea de comandos o vía un archivo de configuración.
Las herramientas de la segunda generación combinan una colección de diferentes algoritmos de minería de datos sobre un marco de trabajo común, y permiten a los usuarios proveer datos de entrada de varias fuentes de datos. Algunas de estas herramientas son: Weka, IlliMine, Rattle, Rapid Miner y Knime. Según Witten y Frank, en el libro publicado el año 2000 con el título “Minería de datos: Herramientas practicas de aprendizaje automático con implementaciones Java”, Weka, desarrollado por la Universidad de Waikato en Nueva Zelanda, es un sistema escrito en Java y distribuido bajo los términos de la licencia pública GNU. Contiene una colección del estado del arte de los algoritmos de aprendizaje automático y herramientas de pre-procesamiento de datos escritos en Java. Proporciona un soporte extenso para el proceso completo de minería de datos, incluyendo la preparación de los datos de entrada, la evaluación de los esquemas de aprendizaje, la visualización de los datos de entrada y de los resultados del aprendizaje. Esta herramienta es accedida comúnmente a través de una interfaz común para que sus usuarios puedan comparar diferentes métodos e identificar esos que sean más apropiados para el problema a tratar. Puede ser ejecutado desde casi cualquier plataforma y ha sido probado sobre los sistemas operativos Windows, Linux y Macintosh. En Weka, todo el proceso de minería de datos se realiza en una sola computadora, dado que los algoritmos pueden ser ejecutados sólo localmente.
Jasso, en la tesis de maestría citada, menciona que el objetivo principal de Weka son los algoritmos de clasificación, los cuales mapean un conjunto de instancias con base en un conjunto finito de clases. Cada instancia de los datos es descrita por los valores de sus atributos. Por ejemplo, predecir si va a llover basado en la observación del cielo, la temperatura del aire, la humedad y el viento puede ser visto como una tarea de clasificación. La meta del proceso de obtención de un clasificador, es derivar un clasificador de un conjunto etiquetado de datos, un conjunto de instancias de datos que tienen asignada su clase correspondiente. La idea es que un clasificador obtenido del conjunto de datos etiquetados pueda ser utilizado para predecir las clases de instancias de datos futuras.
El investigador Jasso, en la tesis de maestría en ciencias de la computación escrita el año 2008 con el titulo “Sistema para explotar servicios de minería de datos a través de la Web”, menciona que la minería de datos puede ser vista como una infraestructura que utiliza una selección de diferentes algoritmos y métodos estadísticos para encontrar patrones y tendencias interesantes y novedosas en grandes bases de datos. Entrando en el contexto del artículo propuesto, Shaikh Ali, en el artículo publicado el año 2005 con el título “Composición de servicios Web para minería de datos distribuida”, menciona que a lo largo de la historia de las herramientas de minería de datos, podrían apreciarse tres fases o etapas de su evolución, a estas etapas se las denomina también generaciones para cruzarlas con el concepto mismo de evolución de las herramientas de la minería de datos.
Las herramientas de la primera generación ofrecen típicamente a los usuarios un algoritmo simple de minería de datos que opera sobre un conjunto de datos almacenados de manera local. Algunos ejemplos incluyen el uso de algoritmos de clasificación como el C4.5, planteado por Ross Quinlan en el libro publicado en año 1993 con el título “C4.5: Programas para minería de datos”; algoritmos de agrupamiento como el K-means, descrito por McQueen en el artículo publicado el año 1967 con el título “Algunos métodos para la clasificación y el análisis de multivariaciones”, y otros algoritmos basados en reglas de asociación. Tales herramientas fueron presentadas como programas independientes, obteniendo sus datos de entrada desde la línea de comandos o vía un archivo de configuración.
Las herramientas de la segunda generación combinan una colección de diferentes algoritmos de minería de datos sobre un marco de trabajo común, y permiten a los usuarios proveer datos de entrada de varias fuentes de datos. Algunas de estas herramientas son: Weka, IlliMine, Rattle, Rapid Miner y Knime. Según Witten y Frank, en el libro publicado el año 2000 con el título “Minería de datos: Herramientas practicas de aprendizaje automático con implementaciones Java”, Weka, desarrollado por la Universidad de Waikato en Nueva Zelanda, es un sistema escrito en Java y distribuido bajo los términos de la licencia pública GNU. Contiene una colección del estado del arte de los algoritmos de aprendizaje automático y herramientas de pre-procesamiento de datos escritos en Java. Proporciona un soporte extenso para el proceso completo de minería de datos, incluyendo la preparación de los datos de entrada, la evaluación de los esquemas de aprendizaje, la visualización de los datos de entrada y de los resultados del aprendizaje. Esta herramienta es accedida comúnmente a través de una interfaz común para que sus usuarios puedan comparar diferentes métodos e identificar esos que sean más apropiados para el problema a tratar. Puede ser ejecutado desde casi cualquier plataforma y ha sido probado sobre los sistemas operativos Windows, Linux y Macintosh. En Weka, todo el proceso de minería de datos se realiza en una sola computadora, dado que los algoritmos pueden ser ejecutados sólo localmente.
Jasso, en la tesis de maestría citada, menciona que el objetivo principal de Weka son los algoritmos de clasificación, los cuales mapean un conjunto de instancias con base en un conjunto finito de clases. Cada instancia de los datos es descrita por los valores de sus atributos. Por ejemplo, predecir si va a llover basado en la observación del cielo, la temperatura del aire, la humedad y el viento puede ser visto como una tarea de clasificación. La meta del proceso de obtención de un clasificador, es derivar un clasificador de un conjunto etiquetado de datos, un conjunto de instancias de datos que tienen asignada su clase correspondiente. La idea es que un clasificador obtenido del conjunto de datos etiquetados pueda ser utilizado para predecir las clases de instancias de datos futuras.
lunes, 28 de septiembre de 2015
Grafeno
En el artículo titulado “Propiedades y aplicaciones del grafeno”, escrito por Rodríguez y Vasilievna el año 2008, se menciona que los nanomateriales han acaparado el interés de la investigación científica de las últimas dos décadas, debido al descubrimiento de propiedades disímiles a las que ofrecen los macromateriales, dando lugar al advenimiento de una nueva rama del saber científico: La nanotecnología. El espectro de posibilidades de su aplicación es de bastante amplitud y versatilidad tal que inauguran una verdadera revolución tecnológica. Novoselov y sus colegas, en el artículo publicado el año 2005 con el título “Cristales atómicos bidimensionales”, indican que nanomateriales es el nombre genérico con que se designa a las partículas de una dimensión igual o menor a una millonésima de milímetro. Pueden ser obtenidas a partir de diferentes elementos o compuestos químicos. El carbono, por ser el elemento más conocido e intrigante de la tabla periódica, es el que ha focalizado en mayor grado la atención científica a este respecto. El carbono tiene varias formas alotrópicas. Alotropía, en química, es la existencia, especialmente en el estado sólido, de dos o más formas estructurales moleculares o cristalinas de un elemento. Según Katsnelson, en el artículo escrito el año 2007 titulado “Grafeno: Carbón en dos dimensiones”, los alótropos del carbono pueden ser: (1) Tridimensionales, tales como el diamante y el grafito; (2) Bidimensionales, tales como el grafeno; (3) Monodimensionales, tales como los nanotubos; (4) Cero dimensionales, tales como los fullerenos. Esta alotropía tan extensa se debe a la capacidad de los átomos de carbono para formar redes muy complicadas y numerosas diversas estructuras.
En el articulo “El Grafeno y sus posibilidades de impacto en la industria minera” escrita el año 2014, el investigador Valdivia realiza un análisis del documento mencionando que la aparición del grafeno no es tan sorpresiva en el ámbito científico. Las últimas dos décadas el avance constante de la nanotecnología, aproximadamente desde mediados de los años noventa del siglo veinte, ha estimulado la generación de un sinnúmero de materiales con propiedades sorprendentes. La idea fuerza de la nanotecnología, verificada una y otra vez, es que al reducir el tamaño de los materiales a escala nanométrica, donde un nanómetro es la millonésima parte de un milímetro, sus propiedades físicas y químicas varían notablemente respecto al mismo material pero de mayor tamaño. Estos objetos, de masa tan reducida y dimensiones de entre uno a cien nanómetros se denominan desde entonces nanomateriales. Algunos ejemplos notables de nanomateriales son los nanotubos de carbono, puntos cuánticos de semiconductores, nanofibras, nanoesferas metálicas, nanocintas, y otros.
Geim y Novoselov, en el artículo publicado el año 2007 con el título “El ascenso del grafeno”, mencionan que el grafeno es el bloque de construcción de otros materiales carbonáceos que se conocen desde hace más tiempo. El grafeno es un material bidimensional, una lámina compuesta de átomos de carbono enlazados en hibridación, ordenados en hexágonos regulares que se extienden a lo largo y a lo ancho conservando un átomo de espesor. Si esta lámina se enrolla se obtienen nanotubos de carbono de pared sencilla; si son varias láminas las que se enrollan a la vez serán nanotubos de pared múltiple; si la lámina de grafeno se envuelve como una pelota de fútbol se obtienen fullerenos, y si las láminas de grafeno se apilan como las hojas de un libro se obtiene grafito.
En palabras de Tronc y sus colegas, en el artículo publicado el año 1992 con el título “Transformación de hidróxido férrico en spinel por adsorción de hierro”, los nanotubos de carbono son conocidos desde el año 1991 cuando fueron identificados por el investigador Iijima, mientras que los fullerenos fueron obtenidos por Kroto, Heath, O’Brien, Curl y Smalley en el año 1985. Estos descubrimientos son relativamente recientes si se comparan con el del grafito, cuyo uso se remonta 6000 años atrás cuando en el este de Europa se comenzó a usar para decorar cerámica. Según Zhu y sus colegas, en el artículo escrito el año 2010 con el título “Materiales basados en el grafeno, grafeno y oxido de grafeno: Síntesis, propiedades y aplicaciones”, el grafito debe su nombre precisamente a su uso para escribir, graphein en griego, bien en la cerámica de hace seis mil años o con los lápices que aún se utilizan. El investigador Guo y sus colegas, en el artículo publicado el año 2011 con el título “Microcristales tetracaidecaedrales de magnetita: Síntesis, caracterización y estudio micro-Raman”, mencionan que en el año 1986 Boehm y colaboradores recomendaron el uso de la palabra grafeno para las láminas de carbón que componen el grafito. La terminación “eno” se usa para denominar hidrocarburos aromáticos policíclicos, aún cuando la raíz del nombre sea de origen trivial por ejemplo: naftaleno, antraceno, tetraceno, etc. En 1997 la “Unión Internacional de Química Pura y Aplicada” formalizó esta recomendación al incorporarla en el “Compendio de Tecnología Química”. En él se establece que “el término grafeno se debe usar solo cuando se discutan las reacciones, las relaciones estructurales u otras propiedades de láminas individuales”, descartando así el uso de términos como láminas de grafito, láminas u hojas de carbón, puesto que estas implican una estructura tridimensional que el grafeno no posee.
En el articulo “El Grafeno y sus posibilidades de impacto en la industria minera” escrita el año 2014, el investigador Valdivia realiza un análisis del documento mencionando que la aparición del grafeno no es tan sorpresiva en el ámbito científico. Las últimas dos décadas el avance constante de la nanotecnología, aproximadamente desde mediados de los años noventa del siglo veinte, ha estimulado la generación de un sinnúmero de materiales con propiedades sorprendentes. La idea fuerza de la nanotecnología, verificada una y otra vez, es que al reducir el tamaño de los materiales a escala nanométrica, donde un nanómetro es la millonésima parte de un milímetro, sus propiedades físicas y químicas varían notablemente respecto al mismo material pero de mayor tamaño. Estos objetos, de masa tan reducida y dimensiones de entre uno a cien nanómetros se denominan desde entonces nanomateriales. Algunos ejemplos notables de nanomateriales son los nanotubos de carbono, puntos cuánticos de semiconductores, nanofibras, nanoesferas metálicas, nanocintas, y otros.
Geim y Novoselov, en el artículo publicado el año 2007 con el título “El ascenso del grafeno”, mencionan que el grafeno es el bloque de construcción de otros materiales carbonáceos que se conocen desde hace más tiempo. El grafeno es un material bidimensional, una lámina compuesta de átomos de carbono enlazados en hibridación, ordenados en hexágonos regulares que se extienden a lo largo y a lo ancho conservando un átomo de espesor. Si esta lámina se enrolla se obtienen nanotubos de carbono de pared sencilla; si son varias láminas las que se enrollan a la vez serán nanotubos de pared múltiple; si la lámina de grafeno se envuelve como una pelota de fútbol se obtienen fullerenos, y si las láminas de grafeno se apilan como las hojas de un libro se obtiene grafito.
En palabras de Tronc y sus colegas, en el artículo publicado el año 1992 con el título “Transformación de hidróxido férrico en spinel por adsorción de hierro”, los nanotubos de carbono son conocidos desde el año 1991 cuando fueron identificados por el investigador Iijima, mientras que los fullerenos fueron obtenidos por Kroto, Heath, O’Brien, Curl y Smalley en el año 1985. Estos descubrimientos son relativamente recientes si se comparan con el del grafito, cuyo uso se remonta 6000 años atrás cuando en el este de Europa se comenzó a usar para decorar cerámica. Según Zhu y sus colegas, en el artículo escrito el año 2010 con el título “Materiales basados en el grafeno, grafeno y oxido de grafeno: Síntesis, propiedades y aplicaciones”, el grafito debe su nombre precisamente a su uso para escribir, graphein en griego, bien en la cerámica de hace seis mil años o con los lápices que aún se utilizan. El investigador Guo y sus colegas, en el artículo publicado el año 2011 con el título “Microcristales tetracaidecaedrales de magnetita: Síntesis, caracterización y estudio micro-Raman”, mencionan que en el año 1986 Boehm y colaboradores recomendaron el uso de la palabra grafeno para las láminas de carbón que componen el grafito. La terminación “eno” se usa para denominar hidrocarburos aromáticos policíclicos, aún cuando la raíz del nombre sea de origen trivial por ejemplo: naftaleno, antraceno, tetraceno, etc. En 1997 la “Unión Internacional de Química Pura y Aplicada” formalizó esta recomendación al incorporarla en el “Compendio de Tecnología Química”. En él se establece que “el término grafeno se debe usar solo cuando se discutan las reacciones, las relaciones estructurales u otras propiedades de láminas individuales”, descartando así el uso de términos como láminas de grafito, láminas u hojas de carbón, puesto que estas implican una estructura tridimensional que el grafeno no posee.
lunes, 14 de septiembre de 2015
Agentes conversacionales
En la tesis de maestría de Cobos, escrita el año 2013 con el título “Integración de un chatbot como habilidad de un robot social con gestor de diálogos”, se menciona que el uso de los agentes conversacionales o chatbots es bastante común, pues se han vuelto instrumentos de uso múltiples en disciplinas variadas, desde simples supervisores de conversaciones, atención al cliente, ayudantes, hasta mantener una conversación de cualquier tema específico con la capacidad de emular el diálogo que un usuario mantendría con un agente real. Los agentes son programas basados en inteligencia artificial, son entidades capaces de percibir su entorno, procesar lo que perciben y tener una reacción, es decir, una respuesta o actuar en su entorno de manera racional.
El investigador Pérez, en la tesis doctoral escrita el año 2014 con el título “Análisis y optimización de agentes conversacionales 3D para sistemas empotrados”, indica que en el ámbito de la inteligencia artificial existen dos grandes posturas que marcan el objetivo de las investigaciones en todos los campos en los que participa. La “inteligencia artificial fuerte” persigue la creación de máquinas conscientes, una verdadera “vida artificial”, mientras que la “inteligencia artificial débil” descarta esta posibilidad y sus pretensiones son más modestas; considera suficiente el que una máquina pueda actuar como si fuera inteligente. Estas dos visiones tan distantes han impregnado la investigación sobre sistemas conversacionales. La primera aproximación, referida a la inteligencia artificial fuerte, sería la de la percepción de los sistemas conversacionales como una simulación del lenguaje humano, con el objetivo de lograr una teoría completa y capaz de ser implementada en términos computacionales. La segunda aproximación, de la inteligencia artificial débil, con un perfil más ingenieril, es la construcción de interfaces hombre-máquina más naturales y fáciles de usar debido a la incorporación de la comprensión y gestión del dialogo hablado. El análisis realizado se complementa con el efectuado en el artículo escrito por Larsson, el año 2005 titulado “Sistemas de dialogo: Simulaciones o interfaces”.
Edlund y sus colegas, en el artículo publicado el año 2006 titulado “Dos caras de los sistemas de dialogo hablado”, mencionan que otro aspecto relevante que afecta al diseño e implementación del sistema conversacional es la metáfora que el propio sistema representa de cara al usuario. La metáfora “interfaz” considera que el sistema se percibe como una interfaz con la máquina, mientras que la metáfora “humana” hace que el sistema sea percibido como un ser humano. Durante las fases de diseño del agente conversacional se debe ser coherente con el tipo de metáfora que representa el sistema, ya que el tipo de diálogo que el usuario mantiene y espera de él es diferente en ambos casos.
Gracias a este reciente desarrollo en la tecnología de los agentes conversacionales, están surgiendo investigaciones que abordan la incorporación de aspectos “humanos” a estos sistemas, como pueden ser la personalidad, incorporada en el artículo de Galvao y sus colegas del año 2004 titulado “Persona-AIML: Una arquitectura para el desarrollo de chatterbots con personalidad”, y el uso de la intención, reportado en el artículo escrito por Neves y sus colegas el año 2006 con el título “IAIML: Un mecanismo para tratar la intencionalidad en chatterbots AIML”, o las emociones durante los diálogos, mencionado por Baldassarri y sus colegas en el artículo publicado el año 2007 con el título “Interacción emocional con actores virtuales a través de lenguaje natural”. Otro aspecto importante que se introdujo en tiempos relativamente recientes es la idea de dotar al agente conversacional de una representación física virtual, una encarnación, son los denominados ECAs, reportados en el artículo de Baldassarri y sus colegas escrito el año 2007 con el título “Motor de código abierto para agentes animados encarnados”. Estos agentes pueden consistir en simples caras animadas que hablan o ser mucho más complejos, con representaciones gráficas 3D de cara y cuerpo, incluyendo variaciones gestuales, sincronización labial, etc. Cerezo y sus colegas, en el artículo publicado el año 2007 con el título “Agentes virtuales 3D para el control de entornos inteligentes domóticos”, mencionan que entre otras aplicaciones, se están presentando estudios prometedores acerca del uso de este tipo de agentes como nueva forma de interacción en el área de los ambientes inteligentes.
Wooldridge y Jennings, en el libro publicado el año 1995 con el título “Agentes Inteligentes” mencionan que un agente conversacional es un programa de software que interpreta y responde a las declaraciones realizadas por los usuarios en lenguaje natural corriente. Se integra técnicas de lingüística computacional y la comunicación se puede establecer a través de Internet, mensajes instantáneos, correo electrónico, foros, etc. El término “agente conversacional” puede ser analizado por las dos palabras que lo componen. La palabra “agente” es un sistema software, el cual, viene definido por su flexibilidad, entendiendo por flexible que un agente sea: (1) Reactivo, responda al entorno en que se encuentra. (2) Proactivo, que sea capaz de intentar cumplir sus propios objetivos. (3) Social, sea capaz de comunicarse con otros agentes mediante algún tipo de lenguaje. Utilizando el Diccionario de la Real Academia Española, la palabra conversacional significa “Perteneciente o relativo a la conversación.”, entonces un agente conversacional es una entidad artificial diseñada para tener conversaciones con seres humanos u otros agentes conversacionales. Los agentes conversacionales son llamados chatbot, bots, chatterbots, Vpersonas o persona virtual. En la actualidad existen muchos agentes conversacionales con variadas características, utilidades, complejidad y capacidad de respuesta. Se puede encontrar desde sencillos chatbots pensados como juego y diversión, que pretenden responder de forma más o menos cómica, hasta otros muy complejos y técnicos en algún campo que tienen un uso práctico elevado o simplemente que han sido construidos con fines comerciales.
El investigador Pérez, en la tesis doctoral escrita el año 2014 con el título “Análisis y optimización de agentes conversacionales 3D para sistemas empotrados”, indica que en el ámbito de la inteligencia artificial existen dos grandes posturas que marcan el objetivo de las investigaciones en todos los campos en los que participa. La “inteligencia artificial fuerte” persigue la creación de máquinas conscientes, una verdadera “vida artificial”, mientras que la “inteligencia artificial débil” descarta esta posibilidad y sus pretensiones son más modestas; considera suficiente el que una máquina pueda actuar como si fuera inteligente. Estas dos visiones tan distantes han impregnado la investigación sobre sistemas conversacionales. La primera aproximación, referida a la inteligencia artificial fuerte, sería la de la percepción de los sistemas conversacionales como una simulación del lenguaje humano, con el objetivo de lograr una teoría completa y capaz de ser implementada en términos computacionales. La segunda aproximación, de la inteligencia artificial débil, con un perfil más ingenieril, es la construcción de interfaces hombre-máquina más naturales y fáciles de usar debido a la incorporación de la comprensión y gestión del dialogo hablado. El análisis realizado se complementa con el efectuado en el artículo escrito por Larsson, el año 2005 titulado “Sistemas de dialogo: Simulaciones o interfaces”.
Edlund y sus colegas, en el artículo publicado el año 2006 titulado “Dos caras de los sistemas de dialogo hablado”, mencionan que otro aspecto relevante que afecta al diseño e implementación del sistema conversacional es la metáfora que el propio sistema representa de cara al usuario. La metáfora “interfaz” considera que el sistema se percibe como una interfaz con la máquina, mientras que la metáfora “humana” hace que el sistema sea percibido como un ser humano. Durante las fases de diseño del agente conversacional se debe ser coherente con el tipo de metáfora que representa el sistema, ya que el tipo de diálogo que el usuario mantiene y espera de él es diferente en ambos casos.
Gracias a este reciente desarrollo en la tecnología de los agentes conversacionales, están surgiendo investigaciones que abordan la incorporación de aspectos “humanos” a estos sistemas, como pueden ser la personalidad, incorporada en el artículo de Galvao y sus colegas del año 2004 titulado “Persona-AIML: Una arquitectura para el desarrollo de chatterbots con personalidad”, y el uso de la intención, reportado en el artículo escrito por Neves y sus colegas el año 2006 con el título “IAIML: Un mecanismo para tratar la intencionalidad en chatterbots AIML”, o las emociones durante los diálogos, mencionado por Baldassarri y sus colegas en el artículo publicado el año 2007 con el título “Interacción emocional con actores virtuales a través de lenguaje natural”. Otro aspecto importante que se introdujo en tiempos relativamente recientes es la idea de dotar al agente conversacional de una representación física virtual, una encarnación, son los denominados ECAs, reportados en el artículo de Baldassarri y sus colegas escrito el año 2007 con el título “Motor de código abierto para agentes animados encarnados”. Estos agentes pueden consistir en simples caras animadas que hablan o ser mucho más complejos, con representaciones gráficas 3D de cara y cuerpo, incluyendo variaciones gestuales, sincronización labial, etc. Cerezo y sus colegas, en el artículo publicado el año 2007 con el título “Agentes virtuales 3D para el control de entornos inteligentes domóticos”, mencionan que entre otras aplicaciones, se están presentando estudios prometedores acerca del uso de este tipo de agentes como nueva forma de interacción en el área de los ambientes inteligentes.
Wooldridge y Jennings, en el libro publicado el año 1995 con el título “Agentes Inteligentes” mencionan que un agente conversacional es un programa de software que interpreta y responde a las declaraciones realizadas por los usuarios en lenguaje natural corriente. Se integra técnicas de lingüística computacional y la comunicación se puede establecer a través de Internet, mensajes instantáneos, correo electrónico, foros, etc. El término “agente conversacional” puede ser analizado por las dos palabras que lo componen. La palabra “agente” es un sistema software, el cual, viene definido por su flexibilidad, entendiendo por flexible que un agente sea: (1) Reactivo, responda al entorno en que se encuentra. (2) Proactivo, que sea capaz de intentar cumplir sus propios objetivos. (3) Social, sea capaz de comunicarse con otros agentes mediante algún tipo de lenguaje. Utilizando el Diccionario de la Real Academia Española, la palabra conversacional significa “Perteneciente o relativo a la conversación.”, entonces un agente conversacional es una entidad artificial diseñada para tener conversaciones con seres humanos u otros agentes conversacionales. Los agentes conversacionales son llamados chatbot, bots, chatterbots, Vpersonas o persona virtual. En la actualidad existen muchos agentes conversacionales con variadas características, utilidades, complejidad y capacidad de respuesta. Se puede encontrar desde sencillos chatbots pensados como juego y diversión, que pretenden responder de forma más o menos cómica, hasta otros muy complejos y técnicos en algún campo que tienen un uso práctico elevado o simplemente que han sido construidos con fines comerciales.
lunes, 7 de septiembre de 2015
Segunda parte Mapas genéticos
En el articulo “Mapeo de genes en peces: Un medio para un fin” publicado el año 2001 por los investigadores Danzmann y Gharbi, se menciona que el mapa genético o mapa de ligamiento de una especie es una representación del orden lineal de un grupo de genes o marcadores a lo largo del genoma, siendo la distancia entre loci adyacentes proporcional a la frecuencia de recombinación entre los mismos. Los marcadores ordenados se distribuyen en grupos de ligamiento, cuyo número debe corresponder al número haploide de cromosomas de la especie cuando el mapa tiene una cobertura genómica adecuada. En un proyecto genómico, estos mapas de ligamiento facilitan el marco de referencia para el ensamblaje a lo largo de los cromosomas de las secuencias brutas de acido desoxirribonucleico obtenidas en los programas de secuenciación genómica. Sakamoto y sus colegas, en el artículo publicado el año 2000 titulado “Un mapa de ligamiento de micro satélites de la trucha arco iris (Oncorhynchus mykiss), caracterizada por grandes diferencias específicas del sexo en las tasas de recombinación”, mencionan que los mapas genéticos proporcionan por sí mismos importante información acerca de los genomas: Son esenciales para entender el comportamiento de los cromosomas y sus interacciones durante la meiosis; permiten la localización de elementos genómicos estructurales, marcadores moleculares y loci que influyen en caracteres mendelianos pero también la “disección genética de rasgos cuantitativos”, definidos por Lynch y Walsh, en el artículo publicado el año 1998 titulado “Genética y análisis de rasgos cuantitativos”, suministran estimaciones del tamaño genómico y posibilitan el estudio evolutivo mediante mapeo comparativo. Por ello, según Naruse y sus colegas, en el artículo publicado el año 2000 con el título “Mapa detallado vinculado de medaka, Oryzias latipes: Genómica comparativa y evolución del genoma”, en la mayoría de las especies, incluyendo los peces, uno de los principales objetivos de los proyectos genómicos ha sido la obtención de mapas genéticos o de ligamiento.
Danzmann y Gharbi, en el artículo mencionado anteriormente, señalan que los mapas genéticos son esenciales para la identificación y el seguimiento de genes o regiones genómicas de interés económico como los “loci de caracteres cuantitativos” para iniciar programas de selección asistida por marcadores moleculares. De acuerdo con Lee, en el artículo publicado el año 1995 con el título “Marcadores de ADN y programas de fitomejoramiento”, los mapas saturados facilitan información para la clonación posicional de genes, permiten la expansión directa del conocimiento del acervo genético a través de la correspondencia comparativa entre taxones y aceleran la identificación e incorporación de genes deseables en los cultivos al aportar pistas importantes para entender la base biológica de los caracteres complejos. El investigador Cornide, en el artículo publicado el año 1993 titulado “Marcadores moleculares, nuevos horizontes en la genética y selección de las plantas: Construcción de mapas genéticos en especies diploides”, señala que la elaboración de un mapa genético se realiza en tres etapas: (1) Determinación de los grupos de ligamiento, (2) Ordenamiento de los genes dentro de cada grupo de ligamiento y (3) Estimación de las distancias entre grupos de ligamiento con base en las frecuencias de recombinación observadas. Gepts y sus colegas, en el artículo publicado el año 1993 titulado “Enlaces en la cartografía del frijol común”, mencionan que una característica de los mapas de ligamiento genético es que la longitud del genoma, medido en centiMorgans, puede ser influenciado por el polimorfismo entre los progenitores, el número de marcadores y las frecuencias de recombinación. Entre otros la longitud del genoma de Phaseolus se estima en 1250 centiMorgans. Korstanje y Paigen, en el artículo publicado el año 2002 con el título “De loci de caracteres cuantitativos a genes: Comienza la cosecha”, señalan que la aplicación de los mapas genéticos para la detección de loci de caracteres cuantitativos, ha ofrecido resultados consistentes en diferentes especies. Los loci de caracteres cuantitativos se identifican dentro del genoma de una planta con base en el principio de asociación entre los marcadores moleculares polimórficos y el fenotipo de los individuos de una población de mejoramiento.
Según Tanksley, en el artículo publicado el año 1993 titulado “Mapeado de polygenes”, tres métodos ampliamente utilizados para la detección de loci de caracteres cuantitativos son: El análisis de un simple marcador, el mapeo por intervalos simple y el mapeo por intervalos compuesto. En palabras de Mora y sus colegas, en el artículo publicado el año 2008 con el título “Mapeo de loci de caracteres cuantitativos usando un enfoque multivariado” La mayoría de los métodos de mapeo de loci de caracteres cuantitativos usados actualmente se basan en la utilización del principio del mapeo por intervalos. El grado de localización necesario para los loci de caracteres cuantitativos individuales varía dependiendo de la característica y del locus estudiado. Tanto la selección asistida por marcadores moleculares como la separación de un loci de caracteres cuantitativos benéfico de uno deletéreo estrechamente ligado serán frecuentemente efectivas con la localización de un intervalo menor o igual a un centiMorgan. Sin embargo, según Funke y sus colegas, en el artículo publicado el año 1993 titulado “Cartografía física de una región en el genoma de la soja que contiene secuencias duplicadas”, el aislamiento de genes en intervalos cada vez menores es necesario debido a que las regiones del genoma de las plantas varían ampliamente en sus frecuencias de recombinación por megabase de acido desoxirribonucleico. De ahí que el grado de saturación con marcadores y la cantidad del mapeo fino requerido para cada loci de caracteres cuantitativos puede variar dependiendo del grupo de ligamiento y del número de loci de caracteres cuantitativos implicados.
Danzmann y Gharbi, en el artículo mencionado anteriormente, señalan que los mapas genéticos son esenciales para la identificación y el seguimiento de genes o regiones genómicas de interés económico como los “loci de caracteres cuantitativos” para iniciar programas de selección asistida por marcadores moleculares. De acuerdo con Lee, en el artículo publicado el año 1995 con el título “Marcadores de ADN y programas de fitomejoramiento”, los mapas saturados facilitan información para la clonación posicional de genes, permiten la expansión directa del conocimiento del acervo genético a través de la correspondencia comparativa entre taxones y aceleran la identificación e incorporación de genes deseables en los cultivos al aportar pistas importantes para entender la base biológica de los caracteres complejos. El investigador Cornide, en el artículo publicado el año 1993 titulado “Marcadores moleculares, nuevos horizontes en la genética y selección de las plantas: Construcción de mapas genéticos en especies diploides”, señala que la elaboración de un mapa genético se realiza en tres etapas: (1) Determinación de los grupos de ligamiento, (2) Ordenamiento de los genes dentro de cada grupo de ligamiento y (3) Estimación de las distancias entre grupos de ligamiento con base en las frecuencias de recombinación observadas. Gepts y sus colegas, en el artículo publicado el año 1993 titulado “Enlaces en la cartografía del frijol común”, mencionan que una característica de los mapas de ligamiento genético es que la longitud del genoma, medido en centiMorgans, puede ser influenciado por el polimorfismo entre los progenitores, el número de marcadores y las frecuencias de recombinación. Entre otros la longitud del genoma de Phaseolus se estima en 1250 centiMorgans. Korstanje y Paigen, en el artículo publicado el año 2002 con el título “De loci de caracteres cuantitativos a genes: Comienza la cosecha”, señalan que la aplicación de los mapas genéticos para la detección de loci de caracteres cuantitativos, ha ofrecido resultados consistentes en diferentes especies. Los loci de caracteres cuantitativos se identifican dentro del genoma de una planta con base en el principio de asociación entre los marcadores moleculares polimórficos y el fenotipo de los individuos de una población de mejoramiento.
Según Tanksley, en el artículo publicado el año 1993 titulado “Mapeado de polygenes”, tres métodos ampliamente utilizados para la detección de loci de caracteres cuantitativos son: El análisis de un simple marcador, el mapeo por intervalos simple y el mapeo por intervalos compuesto. En palabras de Mora y sus colegas, en el artículo publicado el año 2008 con el título “Mapeo de loci de caracteres cuantitativos usando un enfoque multivariado” La mayoría de los métodos de mapeo de loci de caracteres cuantitativos usados actualmente se basan en la utilización del principio del mapeo por intervalos. El grado de localización necesario para los loci de caracteres cuantitativos individuales varía dependiendo de la característica y del locus estudiado. Tanto la selección asistida por marcadores moleculares como la separación de un loci de caracteres cuantitativos benéfico de uno deletéreo estrechamente ligado serán frecuentemente efectivas con la localización de un intervalo menor o igual a un centiMorgan. Sin embargo, según Funke y sus colegas, en el artículo publicado el año 1993 titulado “Cartografía física de una región en el genoma de la soja que contiene secuencias duplicadas”, el aislamiento de genes en intervalos cada vez menores es necesario debido a que las regiones del genoma de las plantas varían ampliamente en sus frecuencias de recombinación por megabase de acido desoxirribonucleico. De ahí que el grado de saturación con marcadores y la cantidad del mapeo fino requerido para cada loci de caracteres cuantitativos puede variar dependiendo del grupo de ligamiento y del número de loci de caracteres cuantitativos implicados.
lunes, 31 de agosto de 2015
La inteligencia artificial mejora el diagnóstico de enfermedades mentales
Una de las pruebas más comunes para detectar trastornos cognitivos con diverso origen, como por el párkinson o el alzhéimer, es un simple test conocido como el "test del reloj”, en el que el paciente debe dibujar un reloj que debe marcar una determinada hora y, además, debe copiar otro ya dibujado. La observación de alteraciones en la manera de realizar estos dibujos permite a los médicos identificar síntomas de deterioro en el cerebro del paciente.
Muchos desórdenes neurológicos pueden estar presentes mucho antes de comenzar a tener un efecto apreciable en nuestras vidas. Por ejemplo, en el alzhéimer, los cambios en el cerebro pueden empezar a producirse diez o más años antes de que las alteraciones cognitivas sean apreciables. Sin embargo, la evaluación de estas pruebas es subjetiva, puesto que no es fácil llegar a conclusiones definitivas cuando los síntomas son muy leves. Contar con un método de diagnóstico más preciso y fiable podría permitir tratar a los enfermos mucho antes, retrasando el desarrollo de la enfermedad.
Con este objetivo, un grupo de científicos, liderados por investigadores del Laboratorio para la Inteligencia Artificial y Ciencias Computacionales del Instituto Tecnológico de Massachusetts (MIT), ha creado un programa informático capaz de detectar de manera mucho más precisa y automatizada estas alteraciones, ofreciendo un diagnóstico más fiable y precoz a partir de la misma prueba.
Para ello se han valido de los datos recogidos en el Lahey Hospital, un centro médico a las afueras de Boston (EE UU), que desde hace nueve años realiza el test del reloj utilizando un bolígrafo digital que captura en el ordenador los dibujos realizados por los pacientes, además de registrar el proceso de creación de los mismos con gran precisión. Este bolígrafo no fue creado expresamente para este fin, sino que se trata de un dispositivo comercial que incluso se puede comprar por internet. Sin embargo, ha venido como anillo al dedo para recoger la información necesaria de manera precisa y con un registro temporal, es decir, sabiendo en todo momento dónde está la punta del bolígrafo y, por tanto, si el paciente hace una pausa o duda a la hora de escribir.
En el alzhéimer, los cambios en el cerebro pueden empezar a producirse diez o más años antes de que las alteraciones cognitivas sean apreciables
Basandose en estos datos, el equipo, liderado por los investigadores Cynthia Rudin y William Souillard-Mandar del MIT, ha creado un programa informático capaz de interpretar y evaluar automáticamente el test del reloj, aumentando la precisión y eliminando la subjetividad de una evaluación realizada por humanos. "Hemos mejorado el análisis, de manera que es automático y objetivo” explica Rudin. "Con el equipamiento adecuado es posible obtener un resultado rápido y más preciso”. Los resultadosse han sido aceptados para su publicación en la revista Machine Learning.
Para crear el programa, el equipo de Rudin y Souillard-Mandar ha utilizado una serie de casos ejemplares para enseñar a la máquina qué es lo que debe buscar. "Estos ejemplos ayudan a calibrar el poder predictivo de cada una de las partes del dibujo” ha explicado Souillard-Mandar. "Gracias a ellos, hemos podido extraer miles de rasgos del proceso de dibujo que dan pistas acerca del estado cognitivo de cada sujeto, y nuestros algoritmos ayudan a determinar cuáles de ellos llevan a la predicción más fiable”.
Cuando la memoria está afectada, el periodo de reflexión se alarga
Los distintos desórdenes se revelan de diferente manera en el test del reloj. Por ejemplo, mientras que es normal que los adultos sanos pasen más tiempo pensando que dibujando, cuando la memoria está afectada, el periodo de reflexión se alarga. Por otra parte, en el caso del párkinson, los enfermos tienden a necesitar más tiempo para dibujar los relojes que, a su vez, tienden a ser más pequeños, sugiriendo que les está costando un mayor esfuerzo realizar la tarea. Estas consideraciones se podían pasar por alto en la prueba tradicional, ya que, en muchas ocasiones, el médico no ve en detalle cómo el paciente realiza el dibujo, sino tan solo el resultado final.
Este trabajo no sólo permite diagnosticar mejor una serie de patologías muy graves para quienes las sufren, sino que además ofrece un gran avance a la hora de automatizar procesos que pueden resultar tediosos y poco eficientes cuando se realizan por humanos. Una vez conseguido el propósito inicial de demostrar la eficacia de su método, el equipo científico ya se dispone a desarrollar un sistema sencillo que permita tanto a los neurólogos como a los no especialistas utilizar esta tecnología en los hospitales y centros de salud.
Suscribirse a:
Entradas (Atom)