Uso de Técnicas de Inteligencia Artificial para el Análisis del Impacto de Ambientes Contaminantes en el Índice de Daño Genético Humano

Jorge Alejandro Kamlofsky, Vanesa Miana, Elio Prieto Gonzalez

Resumen


Las técnicas de Inteligencia Artificial (IA) hoy están difundidas en casi todas las disciplinas. En el ámbito de la salud, se las aplica en etapas operacionales de la investigación: sobre bancos de datos se pueden presentar modelos cuya validación se plasma en nuevo conocimiento científico. Sin embargo, en investigaciones específicas, los investigadores deben recopilar sus datos. Estas investigaciones son costosas, por lo que muchas veces, con resultados preliminares basados en pocos datos, se define si se avanza con la investigación o no.

En este trabajo se presenta las tareas que permiten obtener un modelo que permite describir y predecir el impacto en el daño genético evaluado mediante la técnica del ensayo cometa. Este trabajo se basó en el análisis de 54 casos. Se obtuvieron modelos de regresión lineal múltiple previo a un proceso de selección de variables basado en la Teoría de la Información de Shannon (1948). Los modelos obtenidos se evaluaron con el indicador R2. Si bien el evaluador obtenido no se encuentra en los niveles recomendables, es suficiente para presentar indicios interesantes.


Palabras clave


Minería de datos; análisis de datos; descubrimiento de conocimiento; Inteligencia Artificial; contaminación Comet ID basal

Texto completo:

PDF

Referencias


Afanasieva K, Sivolob A. (2018). “Physical principles and new applications of comet assay”. Biophys Chem.;238:1-7. doi: 10.1016/j.bpc.2018.04.003. Epub 2018 Apr 20.

Aluja, Tomàs (2001). "La minería de datos, entre la estadística y la inteligencia artificial." Qüestiió: quaderns d'estadística i investigació operativa 25.3: 479-498.

Bengio, Y. (2009). Learning deep architectures for AI. Foundations and trends® in Machine Learning, 2(1), 1-127.

Beerli-Palacio, A; Santana, J. M., y Porta, M. (2008). "El marketing como herramienta para incrementar la eficacia de los planes de salud pública". Informe SESPAS 2008. Gaceta Sanitaria 22, pp. 27-36

Brinke A, Buchinger S. (2017). “Toxicogenomics in Environmental Science”. Adv Biochem Eng Biotechnol.;157:159-186. Doi: 10.1007/10_2016_15.

Brynjolfsson, E., Rock, D., & Syverson, C. (2018). “Artificial intelligence and the modern productivity paradox: A clash of expectations and statistics”. In The Economics of Artificial Intelligence: An Agenda. University of Chicago Press.

Castillo, Andres. (2011). “El diseño de Investigación”. Disponible en Web: https://www.monografias.com/trabajos101/disenos-investigacion/disenos-investigacion.shtml (consulta: 30-11-2018)

Coleman C, Quinn EM, Ryan AW, Conroy J, Trimble V, Mahmud N, Kennedy N, Corvin AP, Morris DW, Donohoe G, O'Morain C, MacMathuna P, Byrnes V, Kiat C, Trynka G, Wijmenga C, Kelleher D, Ennis S, Anney RJ, McManus R. (2016). “Common polygenic variation in coeliac disease and confirmation of ZNF335 and NIFA as disease susceptibility loci”. Eur J Hum Genet. 24(2):291-7. doi: 10.1038/ejhg.2015.87. Epub 2015 Apr 29. PubMed PMID: 25920553; PubMed Central PMCID: PMC4717209.

Damasceno DC, Sinzato YK, Bueno A, Dallaqua B, Lima PH, Calderon IM, Rudge MV, Campos KE. (2013) Metabolic profile and genotoxicity in obese rats exposed to cigarette smoke. Obesity (Silver Spring).(8):1596-601. doi: 10.1002/oby.20152. Epub 2013 May 13

Davies AE, Albeck JG. (2018). “Microenvironmental Signals and Biochemical Information” Processing: Cooperative Determinants of Intratumoral Plasticity and Heterogeneity. Front Cell Dev Biol. 20;6:44. doi: 10.3389/fcell.2018.00044. eCollection 2018. Review. PubMed PMID: 29732370; PubMed Central PMCID: PMC5921997.

De jonge, Edwin; Van Der Loo, Mark. (2013). “An Introduction to Data Cleaning with R”. Statistics Netherlands, The Hague/Heerlen.

De Luis D. A., Aller R., Conde, R. Izaola O., de la Fuente B., Gonzalez Sagrado, M. Primo D. Ruiz Mambrilla M. (2012) Relación del polimorfismo rs9939609 del gen FTO con factores de riesgo cardiovascular y niveles de adipocitoquinas en pacientes con obesidad mórbida. Nutr Hosp. 2012;27(4):1184-1189

Dingli D, Chalub FA, Santos FC, Van Segbroeck S, Pacheco JM. (2009). “Cancer phenotype as the outcome of an evolutionary game between normal and malignant cells”. Br J Cancer;101(7):1130-6. doi: 10.1038/sj.bjc.6605288. Epub 2009 Sep 1.PubMed PMID: 19724279; PubMed Central PMCID: PMC2768082.

Domingo JL, Nadal M. (2017). Carcinogenicity of consumption of red meat and processed meat: A review of scientific news since the IARC decision”. Food Chem Toxicol.105:256-261. doi: 10.1016/j.fct.2017.04.028. Epub 2017 Apr 24. Review. PubMed PMID: 28450127.

Dyche, Jill. (2000). "E-Data: Turning data into information with data warehousing". Addison-Wesley Professional.

Eastmond DA. (2017). “Recommendations for the evaluation of complex genetic toxicity data sets when assessing carcinogenic risks to humans”. Environ Mol Mutagen. ;58(5):380-385. doi: 10.1002/em.22078. Epub 2017 Mar 7. PubMed PMID: 28266084.

Fayyad, U.; Piatetski-Shapiro, G.; Smyth, P. (1996) “From Data Mining to Knowledge Discovery: an Overview”. Advances in Knowledge Discovery and Data Mining, pp-1-34, AAAI/MIT Press.

Fisher, R. A. (1925) “Statistical Methods, Experimental Design and Scientific Inference”. Oxford Science Publications.

García Serrano, Alberto (2014). “Selección de atributos relevantes usando la entropía de Shannon”. Disponible en Web: http: // www.inteligenciapredictiva.com / 2014 / 06 / seleccion-de-atributos-relevantes-entropia.html (consulta: 07-08-2016).

Glorot, X., Bordes, A., & Bengio, Y. (2011). “Domain adaptation for large-scale sentiment classification: A deep learning approach”. In Proceedings of the 28th international conference on machine learning (ICML-11) (pp. 513-520).

Grasgruber P, Hrazdira E, Sebera M, Kalina T. (2018). “Cancer Incidence in Europe: An Ecological Analysis of Nutritional and Other Environmental Factors”. Front. Oncol, 13 June. Disponible en Web: https://doi.org/10.3389/fonc.2018.00151 (consulta: 30-11-2018)

Gupta SC, Kim JH, Prasad S, Aggarwal BB. (2010). “Regulation of survival, proliferation, invasion, angiogenesis, and metastasis of tumor cells through modulation of inflammatory pathways by nutraceuticals”. Cancer Metastasis Rev.;29(3):405-34. doi: 10.1007/s10555-010-9235-2. Review. PubMed PMID: 20737283

Gustafson, S., and Sheth, A. (2014). “Web of Things”. Computing Now 7.3.

Hernández Orallo, J; Ramírez Quintana, M, y Ferri Ramirez, C. (2004). "Introducción a la Minería de Datos". Editorial Pearson Educación SA, Madrid.

Hu Z, Brooks SA, Dormoy V, Hsu CW, Hsu HY, Lin LT, Massfelder T, Rathmell WK, Xia M, Al-Mulla F, Al-Temaimi R, Amedei A, Brown DG, Prudhomme KR, Colacci A,Hamid RA, Mondello C, Raju J, Ryan EP, Woodrick J, Scovassi AI, Singh N, Vaccari M, Roy R, Forte S, Memeo L, Salem HK, Lowe L, Jensen L, Bisson WH, KleinstreuerN. (2015). “Assessing the carcinogenic potential of low-dose exposures to chemical mixtures in the environment: focus on the cancer hallmark of tumor angiogenesis”. Carcinogenesis. 36 Suppl 1:S184-202. doi: 10.1093/carcin/bgv036. Review.PubMed PMID: 26106137; PubMed Central PMCID: PMC4492067.

Jones R, Pembrey M, Golding J, Herrick D (2005). “The search for genenotype/phenotype associations and the phenome scan”. Paediatr Perinat Epidemiol. 19(4):264-75. Review. PubMed PMID: 15958149, 2005.

Lehner B. (2007). “Modelling genotype-phenotype relationships and human disease with genetic interaction networks”. J Exp Biol; 210(Pt 9):1559-66. Review.PubMed PMID: 17449820.

Liu Z, Chen D, Chen X, Jia H. (2009). “Computational Data Mining in Cancer Bioinformatics and Cancer Epidemiology”. Journal of Biomedicine and Biotechnology, 582697. Disponible en Web: http://doi.org/10.1155/2009/582697 (consulta: 30-11-2018).

Lv, Y., Duan, Y., Kang, W., Li, Z., & Wang, F. Y. (2015). “Traffic flow prediction with big data: A deep learning approach”. IEEE Trans. Intelligent Transportation Systems, 16(2), 865-873.

Mc Carthy, John, and Hayes, Patrick (1981). “Some philosophical problems from the standpoint of artificial intelligence”. Readings in artificial intelligence. 431-450.

Mc Corduck, P. (2004). “Machines Who Think. A personal inquiry into the history and prospects of artificial intelligence”. New York: A K Peters/CRC Press.

Mena, Jesus. (1999). “Data mining your website”. Digital Press.

Mitra, Sushmita, and Tinku Acharya. (2005). “Data mining: multimedia, soft computing, and bioinformatics”. John Wiley & Sons.

Ospina, E; Reveiz Herault, L y Cardona, A. (2005). “Uso de bases de datos bibliográficas por investigadores biomédicos latinoamericanos hispanoparlantes: estudio transversal”. Revista Panamericana de Salud Pública, vol no 4. 17, pp. 230-236.

Pedersen, R. D. (2018). “Motor vehicle artificial intelligence expert system dangerous driving warning and control system and method” U.S. Patent No. 9,919,648. Washington, DC: U.S. Patent and Trademark Office.

Rao, C. R. Statistics and Truth. CSIR, New Delhi, 1989.

Riquelme, José, Ruiz, Roberto y Gilbert, Karina. (2006). "Mineria de datos: Conceptos y tendencias." Revista Iberoamericana de Inteligencia Artificial 10.29: 11-18.

Shannon, Claude Elwood (1948). "A mathematical theory of communication." ACM SIGMOBILE Mobile Computing and Communications Review 5.1, pp. 3-55.

Shih, Stephanie. (2011). “Random Forests for Classification Trees and Categorical Dependent Variables: an informal Quick Start R Guide”. Stanford University | University of California, Berkeley.

Torres-Bugarín O, Fernández-García A, Torres-Mendoza BM, Zavala-Aguirre JL, Nava-Zavala A, Zamora-Perez AL(2009) Genetic profile of overweight and obese school-age children,Toxicological & Environmental Chemistry, 91:4, 789-795, DOI: 10.1080/02772240802404966

Umbuzeiro GA, Heringa M, Zeiger E. (2017). “In Vitro Genotoxicity Testing: Significance and Use in Environmental Monitoring”. Adv Biochem Eng Biotechnol.; 157:59-80. Doi: 10.1007/10_2015_5018

Yang, S., Luo, P., Loy, C. C., & Tang, X. (2015). “From facial parts responses to face detection: A deep learning approach”. In Proceedings of the IEEE International Conference on Computer Vision (pp. 3676-3684).


Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia


 


Congreso Internacional en Innovación Tecnológica Informática 

revista.RAIA.editorial@uai.edu.ar

Licencia Creative Commons
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial 4.0 Internacional.

       

 

Revista Abierta de Informática Aplicada. ISSN 2591-5320
Universidad Abierta Interamericana (UAI). Chacabuco 90 4to piso C.A.B.A. CP C1069AAB