Pattern Recognition System Based on Data Mining for Analysis of Chemical Substances in Brain

En este trabajo se presenta un Sistema de Mineria de Datos para interpretar los cambios bioquimicos que ocurren en los cerebros de los roedores. El analisis manual de tales experimentos es impractico debido a la naturaleza voluminosa de los datos que son generados y la naturaleza tediosa del analisis de su significado, por lo que informacion importante se pierde. Por esta razon, se ha disenado un Sistema de Mineria de Datos el cual contiene varios pasos (pre-procesamiento de los datos, clasificacion de la informacion recolectada, etc.), y utiliza la Red Neuronal Artificial basada en la Teoria de Resonancia Adaptativa en la realizacion de algunos de ellos. En este articulo se describe el Sistema, y se prueba su funcionamiento estudiando los neurotransmisores glutamato y aspartato de  muestras extraidas del cerebro de roedores.

[1]  Yonggang Zhu,et al.  Signal Processing Methods for Capillary Electrophoresis , 2011 .

[2]  B. MarthaIsabelEscobar,et al.  PLASTICIDAD NEURAL Y SU RELACIÓN CON EL SISTEMA DE TRANSPORTADORES DE GLUTAMATO , 2004 .

[3]  A. Savitzky,et al.  Smoothing and Differentiation of Data by Simplified Least Squares Procedures. , 1964 .

[4]  Enedina Sosa,et al.  CORRECCIÓN DE LÍNEA BASE EN DATOS ELECTROFORÉTICOS USANDO OPTIMIZACIÓN LOCAL DEL ALGORITMO LEGEND EN EL DOMINIO WAVELET , 2009 .

[5]  Peter Sollich,et al.  European Signal Processing Conference, EUSIPCO 2009 , 2008 .

[6]  J. Altamiranda,et al.  Similarity of Amyloid Protein Motif using an Hybrid Intelligent System , 2011, IEEE Latin America Transactions.

[7]  Luis Hernández,et al.  Data processing and pattern recognition in high-throughput capillary electrophoresis , 2009, 2009 17th European Signal Processing Conference.

[8]  Yuriy S. Shmaliy,et al.  Speckle Noise Reduction in Ultrasound Imaging using the Key Points in Low Degree Unbiased FIR Filters , 2012 .

[9]  Stephen Grossberg,et al.  Art 2: Self-Organization Of Stable Category Recognition Codes For Analog Input Patterns , 1988, Other Conferences.

[10]  José Aguilar,et al.  Comparison and fusion model in protein motifs , 2013, 2013 XXXIX Latin American Computing Conference (CLEI).

[11]  A. Tomlinson,et al.  New approaches in clinical chemistry: on-line analyte concentration and microreaction capillary electrophoresis for the determination of drugs, metabolic intermediates, and biopolymers in biological fluids. , 1997, Journal of chromatography. B, Biomedical sciences and applications.

[12]  J. Cazes.  Encyclopedia of Chromatography 2004 Update Supplement , 2004 .

[13]  Ildar Z. Batyrshin,et al.  Perception-based approach to time series data mining , 2008, Appl. Soft Comput..

[14]  Jean YH Yang,et al.  Bioconductor: open software development for computational biology and bioinformatics , 2004, Genome Biology.

[15]  Gerald Sommer,et al.  Pattern Recognition by Self-Organizing Neural Networks , 1994 .

[16]  Christina Feilmayr.  Optimizing Selection of Assessment Solutions for Completing Information Extraction Results , 2013 .

[17]  Stephen Grossberg,et al.  Adaptive resonance theory: ART , 1998, An Introduction to Neural Networks.

[18]  Bartek Wilczynski,et al.  Biopython: freely available Python tools for computational molecular biology and bioinformatics , 2009, Bioinform..

[19]  Juan Pedro Febles Rodríguez,et al.  Aplicación de la minería de datos en la bioinformática , 2002 .

[20]  Gunnar Rätsch,et al.  Support Vector Machines and Kernels for Computational Biology , 2008, PLoS Comput. Biol..

[21]  E. Murzi,et al.  Collinear laser-induced fluorescence detector for capillary electrophoresis , 1993 .

[22]  José Ramón Hilera González,et al.  Redes neuronales artificiales: fundamentos, modelos y aplicaciones , 1995 .

[23]  J. Paredes,et al.  A novel approach for Pattern Recognition in Capillary Electrophoresis Data , 2007 .

[24]  Ricardo Arencibia Jorge,et al.  Impacto de la Bioinformática en las ciencias biomédicas , 2003 .