Info
Content

Capítulo 6-1º | Chapter 6-1º

Biointeligencia & análisis de datos | Biointelligence & data analysis



Fig. I A. C6.1.1- Crédito imag (IEEE Spectrum). URL:https://youtu.be/CCWXc2wU5oM 


Ir al índice principal del libro Go to the main index of the book

Contenidos

 

Contents

6.1.1.- Introducción

6.1.1.- Introduction

6.1.2.- Ingeniería neuronal

6.1.2.- Neural engineering

6.1.3.- Bigdata & biología

6.1.3.- Bigdata & biology

6.1.4.- Minería de datos y explotación con IA

6.1.4.- Data mining and exploitation

6.1.5.- Biotecnología y Farmacia

6.1.5.- Biotechnology and Pharmacy


Autor / Author: Juan Antonio Lloret Egea |eu-ai-alliance-3_0.pngMiembro de la Alianza Europea para la IA / Member to the European AI Alliance | https://orcid.org/0000-0002-6634-3351| Escrito / Writed: 14/07/2019. Actualizado / Updated: 14/08/2019|

© 2019. Licencia de uso / License for use: [ Los estados de la inteligencia artificial (IA) | The states of artificial intelligence (AI) ] Creative Commons CC BY-NC-ND |ISSN 2695-3803 | Preprint DOI 10.13140/RG.2.2.11184.30729 |
6.1.1.- Introducción | Introduction

Si el abrazo de un humano da consuelo y cariño, el abrazo de la electrónica sana a los enfermos. Y ahora se suman los informáticos y otros profesionales dotándolo aún más de fortaleza con la inteligencia artificial. Es al mayor valor que la ingeniería pueda aspirar: conjuntamente con la medicina y otras ciencias asociadas. | If the hug of a human gives comfort and affection, the embrace of electronics heals the sick. And now the computer and other professionals are added, giving it even more strength with artificial intelligence. It is at the greatest value that engineering can aspire: together with medicine and other associated sciences.


Caminamos hacia una sociedad biónica irremediablemente. Tardaremos más o menos, pero no albergo ninguna duda de que así será. Es nuestro destino como seres inteligentes y evolutivos. Porque como entes de la química del carbono e hijos de la genética  nuestras funcionalidades tienen una gran panoplia de habilidades, pero también una miscelanea de debilidades. Aún así, con esas fortalezas y debilidades, emprendimos un viaje hacia el conocimiento; del que aún no hemos regresado, en busca del biochip como si de la fuente de la vida eterna se tratara. Y quizá lo encontremos,  en el Foro Internacional sobre soluciones biochip 2020 tendremos una pista importante (Berlín, Alemania). Aunque ejemplos comerciales ya tenemos en, por ejemplo, BCIs.


[English]

We walk towards a bionic society hopelessly. It will take us more or less, but I have no doubt that it will be so. It is our destiny as intelligent and evolutionary beings. Because as entities of carbon chemistry and children of genetics our functionalities have a great panoply of skills, but also a miscellaneous weaknesses. Even so, with these strengths and weaknesses, we embarked on a journey towards the knowledge of which we have not yet returned; in search of the biochip as if it were the source of eternal life. And perhaps we will find it, in the International Forum on biochip 2020 solutions we will have an important clue (Berlin, Germany). Although commercial examples we already have in, for example, BCIs.



Fig. I A. C6.1.2- Febrero, 2013. Crédito imag (euronews (en español). URL: https://youtu.be/6xapigjxht0


 


Fig. I A. C6.1.3- Septiembre, 2018. Crédito imag (ExplainingComputers. [Vídeo embebido.Tenga en cuenta que el vídeo está excluido de la licencia Creative Commons y no se puede redistribuir de ninguna manera | Embedded Video. Notice that the video is excluded from the Creative Commons license and cannot be redistributed in any way]). URL: https://youtu.be/f2C2NgOhUwg 



Fig. I A. C6.1.4- Señales sutiles / Subtle signals AlterEgo es un sistema portátil que permite al usuario conversar en silencio con un dispositivo informático sin voz ni movimientos perceptibles. | AlterEgo is a wearable system that allows a user to silently converse with a computing device without any voice or discernible movements. ( Abril, 2018.) Crédito imag (MIT Media Lab). URL: https://youtu.be/f2C2NgOhUwg 


Arquitectura de los biochips fluidos | Architecture of fluid biochips

La historia de los biochips comenzó a fines de la década de 1980, estando fuertemente relacionada con los progresos realizados en genómica. Los biochips microfluídicos digitales se organizan como una matriz de electrodos, cada uno de los cuales puede contener una gota y mover las gotas de fluido mediante electrocinética. Las operaciones reconfigurables generalmente se realizan dentro de 'módulos virtuales', que se crean agrupando celdas adyacentes. Durante la ejecución de la operación (basada en el módulo) todas las celdas dentro de él se consideran ocupadas, aunque la gotita usa sólo una celda a la vez, lo que resulta ineficiente. Por lo que se ha creado un nuevo modelo de ejecución de operaciones 'basado en rutas'C6.1-1.


[English]

The history of bochips started in the late 1980’s, being strongly connected to the progresses done in genomics. Digital microfluidic biochips are organized as an array of electrodes, each of which can contain a drop and move the fluid droplets by electrokinetics. Reconfigurable operations are generally performed within 'virtual modules', which are created by grouping adjacent cells. During the execution of the module-based operation, all cells within the module are considered occupied, although the droplet uses only one cell at a time, which is inefficient. Therefore a new model of operations 'route-based'  operations has been created.C6.1-1

Más información | More information: Biochip Architecture Model, URL: http://cort.as/-Mvag


C612.png


Fig. I A. C6.1.5- Configuración para ejecutar una aplicación en un DMB | Setup for running an application on a DMB. Crédito imag. (Biochip Architecture Model). URL El País: http://cort.as/-MvaT


Nuevos estudios y avances como la impresión en 3D está permitiendo una mayor funcionalidad para estos chips de microfluidos. Un reciente trabajo realizado por Gregor Weisgrab, Aleksandr Ovsianikov y Pedro F. Costa nos adentra en esta área. Con el moldeado de réplica a la impresión 3D, se pueden crear geometrías complejas y se ha informado una amplia gama de elementos funcionales en el desarrollo de sensores, actuadores y otros elementos impresos en 3D para dispositivos microfluídicos. Los sensores permiten la detección de cambios en el microambiente diseñado en tiempo real. Elementos adicionales, como mezcladores o generadores de gradiente, facilitan los cambios dentro del propio fluido.  Se predice que la adopción generalizada de la impresión 3D en microfluídica en última instancia permitirá la creación de una nueva generación de dispositivos cada vez más inteligentes, receptivos y autónomos, capaces de detectar y actuar sobre su entorno de formas complejas y con una intervención humana reducida. El trabajo se denomina Impresión 3D funcional para chips de microfluidos y va adjunto como PDF y como enlace en el panel lateral izquierdo de navegación de este libro, en elementos adjuntos.


[English]

New studies and  advances such as 3D printing are allowing greater functionality for these microfluidic chips. A recent work by Gregor Weisgrab, Aleksandr Ovsianikov and Pedro F. Costa takes us into this area. With 3D printing replica molding, complex geometries can be created and a wide range of functional elements have been reported in the development of sensors, actuators and other 3D printed elements for microfluidic devices. The sensors allow the detection of changes in the microenvironment designed in real time. Additional elements, such as gradient mixers or generators, facilitate changes within the fluid itself. It is predicted that the widespread adoption of 3D printing in microfluidics will ultimately allow the creation of a new generation of increasingly intelligent, responsive and autonomous devices, capable of detecting and acting on their surroundings in complex ways and with reduced human intervention. The work is called Functional 3D Printing for microfluidic chips and is attached as a PDF and as a link in the left side navigation panel of this book, in attached elements.


C613.png


Fig. I A. C6.1.6- Concatenación de válvulas controladas neumáticamente para formar una bomba | Concatenation of pneumatically controlled valves to a form a pump.  Crédito imag. ( a) Photograph of a peristaltic pump, SLA‐printed with WaterShed XC 11122. Reproduced with permission.3 Copyright 2015, Royal Society of Chemistry. b) CAD design of a pump. Gray channels are for flushing out resin after the print. c) Photograph of the printed pump shown in (b). d) Schematic diagram and e) CAD design of the multiplexer. b–e) Reproduced with permission.5 Copyright 2016, Royal Society of Chemistry). URL: https://wol-prod-cdn.literatumonline.com/cms/attachment/fee3ff8a-5f30-4ad5-986a-d924fe68d545/admt201900275-fig-0003-m.jpg 


Ahora ya es frecuente encontrar modalidades de Rx digitales en todos los hospitales; atrás quedaron las placas de revelado y su toxicidad, aún sin ignorar los límites de radición máximos permisibles en el ser humano en pruebas médicas. Le acompañan ecógrafos de efecto Doppler digitales, tomografías axiales computarizadas (TAC), resonancias magnéticas, dispositivos miniaturizados ingeribles (como la píldora endoscópida), la telemedicina... Y todo integrado en un RIS/PACS que centraliza y dispone el intercambio electrónico de forma universal de estos elementos clínicos con estándares como DICOM o HL7 (Health Level Seven, que utiliza una notación formal llamada UML y XML)... Llegamos ahí y apenas nos dimos cuenta.

Y cada día, cada minuto, los ingenieros y la medicina (de forma conjunta con empresas y gobiernos) impulsan un área que sin duda nos humaniza a golpe de electrónica a todos. Que nos cuida y nos protege contra la singularidad orgánica que suponemos. Ésa gran singularidad llamada el humano.

Si pensamos en los nervios como cables, estos cables o neurocircuitos pueden ser estimulados o bloqueados. De igual manera que sucede en un circuito electrónico convencional. | If we think of nerves as wires, these wires or neurocircuits can be stimulated or blocked. In the same way that happens in a conventional electronic circuit.


[English]

Now it is common to find digital Rx modalities in all hospitals; gone are the development plaques and their toxicity, even without ignoring the maximum allowable radiation limits in humans in medical tests. He is accompanied by digital Doppler effect ultrasound scanners, computerized axial tomography, magnetic resonance imaging, ingestible miniaturized devices (such as the  endoscopic pill), the telemedicine... and all integrated into a RIS/PACS that centralizes and arranges electronic exchange in a way universal of these clinical elements with standards such as DICOM or HL7 (Health Level Seven, which uses a formal notation called UML and XML)... We got there and barely noticed.

And every day, every minute, engineers and medicine (together with companies and governments) drive an area that undoubtedly humanizes us all at once. That takes care of us and protects us against the organic singularity that we suppose. That great sigularity called the human.


6.1.2.- Ingeniería neuronal | Neural engineering

->Ver también | See too


En los campos de aplicación de la ingeniería neuronal podemos encontrarnos con visión biónica con impresión 3D para restaurar la vista a personas con pérdida de visión degenerativa debido a retinitis pigmentosa o degeneración macular relacionada con la edad. | In the fields of application of neuronal engineering we can find bionic vision with 3D printing to restore sight to people with degenerative vision loss due to retinitis pigmentosa or age-related macular degeneration. C6.1-2


6.1.2.1.-Visión biónica / Bionic vision


Fig. I A. C6.1.7- Agosto de 2018. Prototipo impreso en 3D para ojo biónico | 3D-printed prototype for bionic eye. Crédito imag. (College of Science and Engineering, UMN). URL: https://youtu.be/U2_zhpXZkS0


Ver también / See too


La impresión 3D basada en extrusión, una tecnología emergente, se ha utilizado previamente en la fabricación integral de diodos emisores de luz utilizando varias tintas funcionales, sin salas blancas o técnicas de microfabricación convencionales. Aquí los fotodetectores basados en polímeros que exhiben un alto rendimiento se imprimen completamente en 3D y se caracterizan a fondo. Se imprime y optimiza una tinta polimérica semiconductora para la capa activa del fotodetector, logrando una eficiencia cuántica externa del 25.3%, que es comparable a la de las contrapartes microfabricadas y, sin embargo, se crea únicamente a través de una herramienta de impresión 3D personalizada de un sólo recipiente alojada debajo condiciones ambientales. Los dispositivos se integran en matrices de detección de imágenes con alta sensibilidad y amplio campo de visión, mediante la impresión 3D de fotodetectores interconectados directamente sobre sustratos flexibles y superficies hemisféricas. Este enfoque se amplía aún más para crear dispositivos multifuncionales integrados que consisten en fotodetectores ópticamente acoplados y diodos emisores de luz, lo que demuestra por primera vez la integración multifuncional de múltiples tipos de dispositivos semiconductores que están totalmente impresos en 3D en una sola plataforma. Los dispositivos optoelectrónicos impresos en 3D están hechos sin instalaciones de microfabricación convencionales, lo que permite flexibilidad en el diseño y la fabricación de optoelectrónica portátil y estructurada en 3D de próxima generación, y valida el potencial de la impresión 3D para lograr dispositivos y materiales electrónicos activos integrados de alto rendimiento C6.1-2.


[English]

Extrusion‐based 3D printing, an emerging technology, has been previously used in the comprehensive fabrication of light‐emitting diodes using various functional inks, without cleanrooms or conventional microfabrication techniques. Here, polymer‐based photodetectors exhibiting high performance are fully 3D printed and thoroughly characterized. A semiconducting polymer ink is printed and optimized for the active layer of the photodetector, achieving an external quantum efficiency of 25.3%, which is comparable to that of microfabricated counterparts and yet created solely via a one‐pot custom built 3D‐printing tool housed under ambient conditions. The devices are integrated into image sensing arrays with high sensitivity and wide field of view, by 3D printing interconnected photodetectors directly on flexible substrates and hemispherical surfaces. This approach is further extended to create integrated multifunctional devices consisting of optically coupled photodetectors and light‐emitting diodes, demonstrating for the first time the multifunctional integration of multiple semiconducting device types which are fully 3D printed on a single platform. The 3D‐printed optoelectronic devices are made without conventional microfabrication facilities, allowing for flexibility in the design and manufacturing of next‐generation wearable and 3D‐structured optoelectronics, and validating the potential of 3D printing to achieve high‐performance integrated active electronic materials and devicesC6.1-2.


C614.jpg

Fig. I A. C6.1.8- Crédito imag. (University of Minnesota, McAlpine Group). URL El País: http://cort.as/-MvDs 


Además para la visión biónica: «Los investigadores han logrado instalar fotorreceptores en una superficie curva, un paso previo al ojo biónico. Ha sido un equipo científico de la Universidad de Minnesota el que ha conseguido imprimir en 3D por primera vez un conjunto de receptores de luz sobre una superficie hemisférica, un descubrimiento que marca un paso de gigante en la carrera para fabricar un ‘ojo biónico’ que podría servir en el futuro para curar la ceguera o mejorar la visión de las personas videntes. La investigación, publicada recientemente en la revista especializada Advanced Materials, supone un avance sin precedentes en el campo de la biónica, pues abre el paso a futuras investigaciones que allanen el camino hacia la fabricación de un ojo perfectamente viable. El equipo de investigadores usó una cúpula de cristal hemisférica para mostar cómo podrían imprimir dispositivos electrónicos en una superficie curva. Después emplearon la impresora 3D para imprimir una base de tinta de partículas de plata. Descubrieron que la tinta se secó de forma homogénea en vez de correr por la superficie curva, lo cual les servía de base para la colocación de fotodiodos, un semiconductor que convierte la luz en electricidad. El proceso completo se completó en una hora». (National Geographic, Científicos estadounidenses imprimen en 3D un prototipo de ojo biónico).


[English]

«Researchers have managed to install photoreceptors on a curved surface, a previous step to the bionic eye. It has been a scientific team from the University of Minnesota that has managed to print in 3D for the first time a set of light receptors on a hemispheric surface, a discovery that marks a giant step in the race to manufacture a 'bionic eye' that It could serve in the future to cure blindness or improve the vision of sighted people. The research, published recently in the specialized magazine Advanced Materials, represents an unprecedented advance in the field of bionics, as it opens the way to future research that paves the way towards the manufacture of a perfectly viable eye. The team of researchers used a hemispherical glass dome to show how they could print electronic devices on a curved surface. Then they used the 3D printer to print an ink base of silver particles. They discovered that the ink dried evenly instead of running along the curved surface, which served as the basis for the placement of photodiodes, a semiconductor that converts light into electricity. The entire process was completed in one hour». (National Geographic, American scientists 3D print a bionic eye prototype).


Algunas de las investigaciones en ingeniería neuronal suenan a ciencia ficción, pero en realidad son hechos científicos. Podemos encontrarnos con un robot controlado a través de neuronas cultivadas en un plato, o con un un pez conectado a electrodos que dicta los movimientos de un robot, y con una rata a control remoto girando hacia la izquierda o hacia la derecha con sólo presionar un botón. | Some of the research in neural engineering sounds like science fiction, but in reality they are scientific facts. We can find a robot controlled through neurons grown on a plate or with a fish connected to electrodes that dictates the movements of a robot and with a remote-controlled rat turning left or right at the press of a button.C6.1-3


6.1.2.2.-Extremidades biónicas | Bionic extremities

Como el proyecto DEKA arm. (El control del funcionamiento total de la mano está dirigido por el sistema nervioso del paciente, ya que los nervios que provienen de la médula espinal todavía están disponibles en el hombro). El brazo DEKA es un ejemplo de una prótesis de extremidad superior tecnológicamente avanzada. Fue desarrollado bajo el Programa de Prótesis Revolucionaria a través de fondos DARPA. Se ha comercializado y se llama ahora Luke Arm. (Controla las funciones del brazo con los movimientos del pie).(C6.1-3, C6.1-4)

Y a medida que aumenta la disponibilidad y la demanda del consumidor de dispositivos protésicos de extremidades superiores más costosos y avanzados, también lo hace la necesidad de estudios que comparen la efectividad de estos dispositivos.

El brazo LUKE es la única prótesis disponible comercialmente con un hombro accionado, lo que permite que un amputado a nivel del hombro alcance su cabeza. Es una protesis neuromioeléctrica bidireccional que transmite retroalimentación sensorial biomimética. En su configuración de hombro, el brazo LUKE presenta diez articulaciones motorizadas. Tiene un sistema de control flexible que permite que el brazo sea controlado por una variedad de dispositivos de entrada. Se pueden usar la mayoría de los dispositivos de entrada estándar de la industria, como electrodos EMG de superficie e interruptores de choque. Además de las muchas opciones de entrada de control, el brazo LUKE se puede controlar con unidades de medición inercial (IMU) que generalmente se usan en los zapatos del usuario. Leen la inclinación del pie del usuario e interpretan cada movimiento como un joystick para controlar el brazo. (El brazo ha estado en desarrollo durante 15 años y aprovecha la forma en que nuestros cerebros controlan nuestras extremidades enviando señales a través del sistema nervioso. tiene 100 microelectrodos que están conectados a los nervios en la parte superior del brazo y también a una computadora externa) (C6.1-5, C6.1-6).


[English]

Such a the bionic extremes DEKA arm project. (The control of the total functioning of the hand is directed by the patient's nervous system, since the nerves that come from the spinal cord are still available in the shoulder). The DEKA arm is an example of a new technologically advanced upper limb prosthesis. It was developed under the Revolutionary Prosthetics Program through DARPA funds. It has been commercialized and is called Luke Arm. Controls arm functions with foot movements.(C6.1-3, C6.1-4)

And as the availability and demand of the consumer of more expensive and advanced upper limb prosthetic devices increases, so does the need for studies comparing the effectiveness of these devices.

The LUKE arm is the only commercially available prosthesis with a powered shoulder, allowing a shoulder-level amputee to reach its head. It is a bidirectional neuromyoelectric prosthesis that transmits biomimetic sensory feedback. In its shoulder configuration, the LUKE arm features ten motorized joints. It has a flexible control system that allows the arm to be controlled by a variety of input devices. Most of the industry standard input devices, such as surface EMG electrodes and shock switches, can be used. In addition to the many control input options, the LUKE arm can be controlled with inertial measurement units (IMUs) that are generally used in the user's shoes. They read the user's foot inclination and interpret each movement as a joystick to control the arm. (The arm has been in development for 15 years and takes advantage of the way our brains control our limbs by sending signals through the nervous system. It has 100 microelectrodes that are connected to the nerves in the upper arm and also to an external computer).(C6.1-5, C6.1-6)



Fig. I A. C6.1.9- Crédito imag. (University of Utah researchers develop LUKE Arm). URL: https://youtu.be/_Xl6rFvuR08


6.1.3.- Bigdata & biología | Bigdata & biology


Los rápidos desarrollos en biotecnología y en IT han ocurrido en paralelo durante el último medio siglo a un ritmo inigualable en cualquier otro campo. Matemáticamente los datos genómicos pueden considerarse como matrices de datos, cuyo método de análisis se basa en la extracción de señales de matriz y la computación. | Rapid developments in biotechnology and IT have occurred in parallel over the past half century at an unparalleled pace in any other field. Mathematically genomic data can be considered as data matrices, whose method of analysis is based on the extraction of matrix signals and computation C6.1-7.

Los grandes datos, la inteligencia artificial y el aprendizaje automático se volverán fundamentales en toda futura investigación biotecnológica. Cada vez más investigadores en biotecnología tendrán que conocer los métodos necesarios para manejar grandes cantidades de datos e incluir en sus equipos de investigación a personas con la capacidad de integrar, organizar y explorar estos datos. | Big data, artificial intelligence and machine learning will become fundamental in all future biotechnology research. More and more biotechnology researchers will have to know the methods necessary to handle large amounts of data and include in their research teams people with the ability to integrate, organize and explore this data.C6.1-10


Con el rápido desarrollo de las tecnologías de secuenciación de alto rendimiento, se han generado numerosos datos ómnicos en diversos escenarios biológicos, que brindan oportunidades sin precedentes para investigar los procesos biológicos subyacentes entre ellos. Por ejemplo el proyecto de la enciclopedia de elementos de ADN (ENCODE) pone a disposición una variedad de datos ChIP-seq de una amplia variedad de tipos de células. El proyecto Cancer Genome Atlas (TCGA) genera grandes cantidades de datos ómnicos para varios tipos de cáncer. Además el rendimiento de la secuenciación de ARN de una sola célula (scRNA-seq) se ha mejorado significativamente, lo que brinda la oportunidad de ver de manera integral la heterogeneidad de las células. El análisis integrador y comparativo de dichos datos se está convirtiendo en una necesidad urgenteC6.1-7.


[English]

With the rapid development of high performance sequencing technologies, numerous unique data have been generated in various biological scenarios, which provide unprecedented opportunities to investigate the underlying biological processes between them. For example, the DNA Element Encyclopaedia (ENCODE) project makes available a variety of ChIP-seq data from a wide variety of cell types. The Cancer Genome Atlas (TCGA) project generates large amounts of unique data for various types of cancer. In addition, the performance of single-cell RNA sequencing (scRNA-seq) has been significantly improved, which provides the opportunity to comprehensively see the heterogeneity of cells. The integrative and comparative analysis of such data is becoming an urgent needC6.1-7.


Nucleic Acids Research es una revista científica de acceso abierto y revisada por pares publicada por Oxford University Press. Cubre investigaciones sobre ácidos nucleicos, como ADN y ARN, y trabajos relacionados. Según los informes de citas de la revista, el factor de impacto de la revista en 2016 es 10.162. La revista publica dos números especiales anuales, uno dedicado a bases de datos biológicas, publicado en enero desde 1993, y el otro en servidores web biológicos, publicado en julio desde 2003 C6.1-8.


[English]

Nucleic Acids Research is an open-ended peer-reviewed scientific journal published by Oxford University Press. It covers research on nucleic acids, such as DNA and RNA, and related works. According to the magazine's citation reports, the impact factor of the magazine in 2016 is 10,162. The journal publishes two special annual issues, one dedicated to biological databases, published in January since 1993, and the other in biological web servers, published in July since 2003 C6.1-8.


Bases de datos en Oxford Academic Jounals.  El número de la Base de datos de investigación de ácidos nucleicos de 2018 contiene 181 documentos que abarcan la biología molecular. Entre ellos, 82 son nuevos y 84 son actualizaciones que describen recursos que aparecieron en el número anteriormente. Las 15 bases de datos restantes cubren más recientemente publicado en otro lugar. Las bases de datos en el área de los ácidos nucleicos incluyen 3DIV para la visualización de datos sobre la estructura 3D del genoma y la arquitectura de ARN, una clasificación jerárquica de las familias de ARN. Las bases de datos de proteínas incluyen los SMART, ELM y MEROPS establecidos, mientras que GPCRdb y el recién llegado STCRDab cubren familias de interés biomédico. En el área del metabolismo, HMDB y Reactome reportan nuevas características, mientras que PULDB aparece en NAR (Nucleic Acids Research) por primera vez. Este número también contiene informes sobre recursos genómicos, incluidos Ensembl, el navegador de genoma UCSC y ENCODE. Los documentos de actualización de la Guía IUPHAR / BPS de Farmacología y DrugBank son aspectos destacados de la sección de medicamentos y objetivos de medicamentos, mientras que también se cubren varias bases de datos de proteómica, incluida proteomicsDB.  La base de datos está disponible gratuitamente en línea en el sitio web de Nucleic Acids Research (https://academic.oup.com/nar ). La colección de bases de datos de biología molecular en línea de NAR se ha actualizado, revisando 138 entradas, agregando 88 nuevos recursos y eliminando 47 URL discontinuadas, lo que lleva el total actual a 1737 bases de datos. [Está disponible en http://www.oxfordjournals.org/nar/database/c/C6.1-9


[English]

The 2018 Nucleic Acids Research Database Issue contains 181 papers spanning molecular biology. Among them, 82 are new and 84 are updates describing resources that appeared in the Issue previously. The remaining 15 cover databases most recently published elsewhere. Databases in the area of nucleic acids include 3DIV for visualisation of data on genome 3D structure and RNArchitecture, a hierarchical classification of RNA families. Protein databases include the established SMART, ELM and MEROPS while GPCRdb and the newcomer STCRDab cover families of biomedical interest. In the area of metabolism, HMDB and Reactome both report new features while PULDB appears in NAR for the first time. This issue also contains reports on genomics resources including Ensembl, the UCSC Genome Browser and ENCODE. Update papers from the IUPHAR/BPS Guide to Pharmacology and DrugBank are highlights of the drug and drug target section while a number of proteomics databases including proteomicsDB are also covered. The entire Database Issue is freely available online on the Nucleic Acids Research website ( https://academic.oup.com/nar ). The NAR online Molecular Biology Database Collection has been updated, reviewing 138 entries, adding 88 new resources and eliminating 47 discontinued URLs, bringing the current total to 1737 databases. It is available at http://www.oxfordjournals.org/nar/database/c/ .C6.1-9


6.1.4.- Minería de datos y explotación con IA | Data mining and exploitation with AI



Fig. I A. C6.1.10- La diferencia entre la inteligencia artificial y el aprendizaje automático (subtitulado en español) | The Difference Between Artificial Intelligence and Machine Learning. Crédito imag. (SAS software). URL: https://youtu.be/ihd9zrW6DOk


Antes o después de leer este punto le recomiendo que lea detenidamente la voz de la experiencia sobre la ciencia de datos | Before or after reading this point I recommend that you carefully read the voice of experience on data science.


Aplicaciones: el diseño de experimentos, el descubrimiento de fármacos, en el análisis del genoma, etc. | Applications: the design of experiments, drug discovery, genome analysis, etc.

Los desarrollos en biotecnología dependen cada vez más del uso extensivo del bigdata, generado por tecnologías modernas de instrumentación de alto rendimiento, y almacenado en miles de bases de datos, públicas y privadas. Los desarrollos futuros en esta área dependen, críticamente, de la capacidad de los investigadores de biotecnología para dominar las habilidades requeridas para integrar efectivamente sus propias contribuciones con la gran cantidad de información disponible en estas bases de datos.

Las grandes cantidades de datos que se generan y almacenan en el área de biotecnología crean desafíos para los investigadores que están acostumbrados a basar su trabajo principalmente en datos experimentales obtenidos localmente, utilizando métodos de bajo rendimiento...

Hoy en día es casi imposible realizar investigaciones de vanguardia en biotecnología sin utilizar tecnologías de bases de datos e inteligencia artificial para procesar, explorar y explotar la gran cantidad de datos disponibles, públicos y privados C6.1-10.


[English]

Developments in biotechnology are increasingly dependent on the extensive use of bigdata, generated by modern high performance instrumentation technologies, and stored in thousands of databases, public and private. Future developments in this area depend critically on the ability of biotechnology researchers to master the skills required to effectively integrate their own contributions with the large amount of information available in these databases.

The large amounts of data that are generated and stored in the biotechnology area creates challenges for researchers who are accustomed to basing their work mainly on experimental data obtained locally, using low-performance methods...

Nowadays it is almost impossible to conduct research cutting edge in biotechnology without using database technologies and artificial intelligence to process, explore and exploit the large amount of data available, public and private C6.1-10.


El rápido crecimiento de los datos biológicos. Los datos empíricos sugieren que la generación de datos de nucleótidos y proteómica está creciendo a un ritmo exponencial. Investigadores del Instituto Europeo de Bioinformática (EMBL‐EBI) han monitoreado el crecimiento de los diferentes tipos de datos almacenados en sus servidores y concluyeron que se duplica aproximadamente cada año (ver Figura C6-5). Este crecimiento exponencial plantea desafíos importantes para las organizaciones que tienen la misión de almacenar y organizar dichos datos, pero ofrece una recompensa para los investigadores de biotecnología que tienen la capacidad de explorar y explotar la información cada vez mayor almacenada en servidores en todo el mundo. Es casi impensable que se logren avances significativos en biotecnología en el futuro sin recurrir al uso de datos almacenados en línea, en bases de datos públicas y privadas.


[English]

The rapid growth of biological data. Empirical data suggests that the generation of nucleotide and proteomic data is growing at an exponential rate. Researchers from the European Bioinformatics Institute (EMBL - EBI) have monitored the growth of the different types of data stored on their servers and concluded that it doubles approximately every year (see Figure C6-5). This exponential growth poses significant challenges for organizations that have the mission of storing and organizing such data, but it offers a reward for biotechnology researchers who have the ability to explore and exploit the growing information stored on servers worldwide. It is almost unthinkable that significant advances in biotechnology will be achieved in the future without resorting to the use of data stored online, in public and private databases.


EMBL_EBI.png


Fig. I A. C6.1.11- Crecimiento de datos almacenados por EMBL‐EBI, para diferentes tipos de datos | Growth of data stored by EMBL‐EBI, for different types of data. Crédito imagen de (Biotechnology, Big Data and Artificial Intelligence). URL:  https://www.ncbi.nlm.nih.gov/pubmed/30927505


Integración de datos. Los enfoques de integración de datos se pueden clasificar como 'ansiosos' o 'perezosos'. En el enfoque ansioso, los datos generalmente se copian en una instalación centralizada de almacenamiento de datos. En el enfoque perezoso, los datos permanecen con las fuentes originales y se integran bajo demanda cuando sea necesario. Ambos enfoques dependen de la disponibilidad de interfaces legibles por la máquina para los datos. Muchas bases de datos proporcionan estas interfaces legibles por máquina, conocidas como servicios web. Los servicios web pueden usar una variedad de protocolos, incluidos JavaScript y XML asíncronos (AJAX), la transferencia de estado representativa (REST) o el protocolo simple de acceso a objetos (SOAP). La información intercambiada se transmite en un formato legible por máquina, utilizando uno de los muchos idiomas disponibles, como el Lenguaje de marcado extensible (XML) o la notación de objetos JavaScript (JSON).


[English]

Data Integration. Data integration approaches can be classified as 'anxious' or 'lazy'. In the anxious approach, data is usually copied in a centralized data storage facility. In the lazy approach, the data remains with the original sources and is integrated on demand when necessary. Both approaches depend on the availability of machine-readable interfaces for the data. Many databases provide these machine-readable interfaces, known as web services. Web services can use a variety of protocols, including asynchronous JavaScript and XML (AJAX), representative state transfer (REST) or simple object access protocol (SOAP). The information exchanged is transmitted in a machine-readable format, using one of the many available languages, such as Extensible Markup Language (XML) or JavaScript object notation (JSON).


Exploración de datos. El objetivo de la fase de exploración de datos es extraer conocimiento nuevo para crear nuevos procesos y productos. Los investigadores deben recurrir al uso de un vasto conjunto de técnicas de inteligencia estadística y artificial, que pueden considerarse pertenecientes al área amplia del aprendizaje automático. Los datos se pueden explorar en una amplia variedad de formas utilizando el aprendizaje automático, pero en general se pueden utilizar dos enfoques independientes y complementarios: supervisados y no supervisados.

En el aprendizaje automático supervisado, el objetivo es inferir una regla general a partir de un conjunto de instancias etiquetadas. En su forma más simple, los algoritmos de aprendizaje automático se proporcionan con una tabla de instancias, cada una de ellas etiquetada como perteneciente a una clase determinada. El algoritmo luego infiere las reglas que hacen posible derivar la etiqueta de los datos. Las aplicaciones en biotecnología del aprendizaje automático supervisado son casi infinitas, como lo demuestra el flujo constante de artículos que lo aplican a problemas biológicos. Los datos de expresión no son los únicos datos que se pueden usar en este problema en particular, el etiquetado de celdas. Se pueden utilizar muchas técnicas para realizar aprendizaje automático supervisado, desde árboles de regresión y decisión hasta máquinas de vectores y redes neuronales profundas. Tales enfoques generalmente se denominan 'clasificadores', ya que están capacitados para clasificar las instancias en un conjunto discreto de clases .

Paquetes de código abierto más usados. Algunos de estos paquetes requieren programación (utilizando lenguajes como R, MatLab o Python) mientras que otros pueden ser utilizados por cualquier persona con un mínimo conocimiento de las operaciones de manipulación de datos) C6.1-10.

  1. Keras
  2. Scikit-learn
  3. Weka 
  4. ¿Un vistazo al futuro?

[English]

Data exploration The objective of the data exploration phase is to extract new knowledge to create new processes and products. Researchers should resort to the use of a vast set of statistical and artificial intelligence techniques, which can be considered as belonging to the broad area of machine learning. Data can be explored in a wide variety of ways using machine learning, but in general two independent and complementary approaches can be used: supervised and unsupervised.

In supervised machine learning, the objective is to infer a general rule from a set of labeled instances. In its simplest form, machine learning algorithms are provided with a table of instances, each labeled as belonging to a particular class. The algorithm then infers the rules that make it possible to derive the tag from the data. The applications in biotechnology of supervised machine learning are almost endless, as evidenced by the constant flow of articles that apply it to biological problems. Expression data is not the only data that can be used in this particular problem, cell tagging. Many techniques can be used to perform supervised machine learning, from regression and decision trees to vector machines and deep neural networks. Such approaches are generally called 'classifiers', since they are trained to classify instances in a discrete set of classes.

Most used Open Source packages. Some of these packages require programming (using languages such as R, MatLab or Python) while others can be used by anyone with minimal knowledge of data manipulation operations C6.1-10.

  1. Keras
  2. Scikit-learn
  3. Weka 
  4. Take a look to the future?

6.1.5.- Biotecnología y Farmacia | Biotechnology and Pharmacy

El 94% espera un aumento en el uso de Machine Learning dentro de dos años, pero el acceso a datos de calidad y experiencia técnica es una barrera para la adopción

En enero de 2018 la Alianza Pistoia encuestó las opiniones de 374 profesionales de las ciencias de la vida sobre inteligencia artificial, aprendizaje automático (ML) y procesamiento del lenguaje natural (PNL). La encuesta encontró que el interés en estas tecnologías es alto, con casi la mitad (44%) de los encuestados que ya usan o experimentan con IA. Sin embargo, también se identificaron una serie de obstáculos para su aplicación generalizada, siendo la experiencia técnica la barrera más citada para la IA (30%) y para ML / NLP (28%). La encuesta encontró que más allá de la falta de experiencia técnica interna, los problemas relacionados con los datos son un obstáculo particular para los proyectos de IA. Específicamente, los encuestados declararon que el acceso a los datos (24%) y la calidad de los datos (26%) fueron dos de los mayores obstáculos para los proyectos de IA dentro de su organización.

Estos mismos problemas (acceso a los datos (26%) y calidad de los datos (19%)) se mencionaron nuevamente cuando a los encuestados también se les preguntó sobre los obstáculos a los proyectos de LD y PNL. Las ciencias de la vida y la I+D farmacéutica actualmente generan enormes volúmenes de datos, que se complementan con conjuntos de datos crecientes recopilados de dispositivos y sensores de salud conectados a Internet de las cosas (IoT). Sin embargo el acceso a estos datos y los formatos en los que se almacenan los datos varían enormemente. Los datos de calidad son fundamentales para garantizar que la IA proporcione resultados precisos y verdaderos.  Éste es un hallazgo significativo, y uno que la industria deberá superar para que la IA ayude a los investigadores.

Cuando se les preguntó sobre el uso de la IA y las tecnologías asociadas, los resultados revelaron que las aplicaciones son variadas. La mayoría (46%) de los proyectos de IA actualmente se llevan a cabo en fases tempranas de descubrimiento o investigación preclínica. PNL  también es empleado por poco menos de un tercio (30%) durante la fase inicial de investigación. Se dieron otras aplicaciones de IA como desarrollo y análisis clínico (15%), y análisis de imágenes (8%). Más de una quinta parte (23%) de los encuestados está utilizando ML para la predicción y el reposicionamiento del objetivo, seguido por el descubrimiento de biomarcadores (13%) y la estratificación de pacientes (5%). Sin embargo, la adopción no es universal; un número notable de encuestados no está utilizando AI (11%), PNL (27%) o ML (30%), en absoluto. Además, el 8% de los encuestados admitieron que sabían "casi nada" sobre inteligencia artificial y aprendizaje profundo, destacando la necesidad de una mayor educación e intercambio de conocimientos C6.1-11.


[English]

94% expect an increase in the use of Machine Learning within two years, but access to quality data and technical expertise is a barrier to adoption

In January 2018, the Pistoia Alliance surveyed the opinions of 374 life sciences professionals about artificial intelligence, machine learning (ML) and natural language processing (NLP). The survey found that interest in these technologies is high, with almost half (44%) of respondents already using or experimenting with AI. However, a series of obstacles were also identified for its widespread application, with technical experience being the most cited barrier for AI (30%) and for ML / NLP (28%). The survey found that beyond the lack of internal technical experience, data-related problems are a particular obstacle to AI projects. Specifically, respondents stated that access to data (24%) and data quality (26%) were two of the biggest obstacles to AI projects within their organization.

These same problems (access to data (26%) and data quality (19%)) were mentioned again when respondents were also asked about obstacles to LD and NLP projects. Life sciences and pharmaceutical R&D currently generate huge volumes of data, which are complemented by growing datasets collected from health devices and sensors connected to the Internet of Things (IoT). However, access to this data and the formats in which the data is stored vary greatly. Quality data is essential to ensure that AI provides accurate and true results; This is a significant finding, and one that the industry must overcome in order for AI to help researchers.

When asked about the use of AI and associated technologies, the results revealed that the applications are varied. The majority (46%) of AI projects are currently carried out in early stages of discovery or preclinical research. NLP is also employed for just under a third (30%) during the initial investigation phase. Other applications of AI were given as development and clinical analysis (15%), and image analysis (8%). More than one fifth (23%) of respondents are using ML for prediction and repositioning of the objective, followed by biomarker discovery (13%) and patient stratification (5%). However, adoption is not universal; A notable number of respondents are not using AI (11%), NLP (27%) or ML (30%), at all. In addition, 8% of respondents admitted that they knew "almost nothing" about artificial intelligence and deep learning, highlighting the need for greater education and knowledge sharing C6.1-11.


 Bibliografía  | Bibliography


[C6.1-1] Pop, Paul & Alistar, Mirela & Stuart, Elena & Madsen, Jan. (2016). Biochip Architecture Model. 10.1007/978-3-319-23072-6_3. [Recuperado (14/08/2019) de https://www.researchgate.net/publication/301244500_Biochip_Architecture_Model]

[C6.1-2] Sung Hyun Park, Ruitao Su. (28 de agosto, 2018). 3D Printed Polymer Photodetectors. Advanced Materials, (Volume30, Issue40). [Recuperado (14/08/2019) de https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.201803980]

.[C6.1-3] EMBS (Engineering in Medicine & Biology Society). Neural Engineering. [Recuperado (14/08/2019) de https://www.embs.org/about-biomedical-engineering/our-areas-of-research/neural-engineering/ ]

[C6.1-4] Resnik, L. (17 de enero, 2018). How do the outcomes of the DEKA Arm compare to conventional prostheses? [Recuperado (14/08/2019) de https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5771605/]

[C6.1-5] Mobius Bionics. The Luke arm. [Recuperado (14/08/2019) de http://www.mobiusbionics.com/ ]

[C6.1-6] George, J.A. (24 de julio, 2019). Biomimetic sensory feedback through peripheral nerve stimulation improves dexterous use of a bionic hand. [Recuperado (14/08/2019) de https://robotics.sciencemag.org/content/4/32/eaax2352]

[C6.1-7] Lihua Zhang, Shihua Zhang. Learning common and specific patterns from data of multiple interrelated biological scenarios with matrix factorization, Nucleic Acids Research, Volume 47, Issue 13, 26 July 2019, Pages 6606–6617, https://doi.org/10.1093/nar/gkz488. [Recuperado (14/08/2019) de https://academic.oup.com/nar/article/47/13/6606/5512984]

[C6.1-8]Wikipedia. Nucleic Acids Research. [Recuperado (14/08/2019) de https://en.wikipedia.org/wiki/Nucleic_Acids_Research]

[C6.1-9] Fernandez, Xose. (2017). The 2018 Nucleic Acids Research database issue and the online molecular biology database collection. Nucleic Acids Research. 46. 10.1093/nar/gkx1235. [Recuperado (14/08/2019) de https://www.researchgate.net/publication/322251670_The_2018_Nucleic_Acids_Research_database_issue_and_the_online_molecular_biology_database_collection ]

[C6.1-10] Oliveira, A. (29 Julio, 2019). Biotechnology, Big Data and Artificial Intelligence. Biotechnology Journal, (8/2019). [Recuperado (14/08/2019) de https://onlinelibrary.wiley.com/doi/epdf/10.1002/biot.201800613]

[C6.1-11] Pistoia Alliance. 44% of Life Science Professionals Already Using or Experimenting with AI and Deep Learning, Finds Survey from The Pistoia Alliance. (9 de enero, 2018). Recuperado (14/08/2019) de https://www.pistoiaalliance.org/news/pa-ai-survey/]


Back to top