Predicting the Cardioactivity of Tivela stultorum clam with Digoxin Using Artificial Neural Networks

Abstract

RESUMENLas redes neuronales artificiales (RNA) son un método computacional extensamente utilizado para resolver problemas complejos y realizar predicciones en sistemas de relación no lineal. En este trabajo se utilizaron RNA para predecir la respuesta fisiológica obtenida al adicionar una concentración específica de digoxina a corazones de Tivela stultorum, un organismo modelo para probar fármacos cardíacos que se pretenden utilizar en humanos. Las entradas de la RNA fueron el peso, volumen, largo y ancho del corazón, la concentración de digoxina, el volumen utilizado para la dilución de digoxina, el máximo y mínimo de contracción, tiempo de llenado, y frecuencia cardíaca antes de adicionar la digoxina, las salidas fueron el máximo y mínimo de contracción, tiempo de llenado y frecuencia cardíaca esperados después de agregar digoxina al corazón. Las RNA se entrenaron, validaron y probaron con los resultados de experimentos in vivo. Para elegir la red óptima se utilizó el valor más pequeño del error medio cuadrado. Se obtuvo una correlación alta entre los valores predichos y calculados, excepto en el caso del tiempo de llenado. Se lograron obtener predicciones acertadas de la cardioactividad de la almeja T. stultorum cuando se les agrega una concentración específica de digoxina haciendo uso de RNA; esto con el fin de utilizarse como una herramienta para facilitar las pruebas en el laboratorio de los efectos de la digoxina.

CHAPTER 33. Coffee Volatile and Aroma Compounds – From the Green Bean to the Cup

“…Para los arreglos de sensores, Fraden (2010) indica que la combinación de diferentes tipos de sensores químicos (desde 2 hasta 10 de estos dispositivos), así como el uso de gran cantidad de sensores permite que se complementen los solapamientos de las gamas respectivas de detección, produciendo así una detección con más calidad. Flores & Ku, (2011) ratifican también que, a mayor número de sensores, se disminuyen los errores de interferencia, pero pueden generar problemas en costos, ya que se aumenta la complejidad computacional, es decir; se puede aumentar el tiempo de procesamiento de los datos, como, por ejemplo, cuando se usan redes neuronales artificiales. , indica que existen algunas otras características importantes a evaluar en un sensor, y que sirven como medida para estandarizar como son: exactitud del sensor, condición ambiental, limitaciones para temperatura y humedad del sensor, rangos y Capítulo 1 21 medidas límites del sensor, calibración del sensor, resolución del sensor, pequeños incrementos detectados por el sensor, repetibilidad y reproducibilidad del sensor.…”