Aprendizaje de máquina y aprendizaje profundo en biotecnología: aplicaciones, impactos y desafíos

Abstract

La bioinformática es un área que ha modificado la forma en que se diseñan y se desarrollan los experimentos e investigaciones de las áreas biológicas. La biotecnología no ha quedado fuera de los alcances de la bioinformática, impactando directamente áreas como el descubrimiento y el desarrollo de fármacos, mejoramiento de cultivos, biorremediación, estudios de la diversidad ambiental, patología molecular, entre otras. Esto se debe, en gran medida, al desarrollo de las tecnologías de secuenciación de alto rendimiento o Next-generation sequencing (NGS), que han generado gran cantidad de datos que deben ser procesados y analizados para producir nuevos conocimientos y descubrimientos. Lo anterior ha promovido que dos áreas de la bioinformática y la ciencia de la computación, machine learning y deep learning, hayan sido utilizadas para el análisis de estos datos. El “aprendizaje de máquina” aplica técnicas que permiten que las computadoras aprendan, mientras que el “aprendizaje profundo” genera modelos de redes neuronales artificiales que intenta imitar el funcionamiento del cerebro humano, permitiéndoles aprender a partir de los datos y mejorar su aprendizaje a través de las experiencias. Estas dos áreas son esenciales para poder identificar, analizar, interpretar y obtener conocimientos de la gran cantidad de datos biológicos (Big biological data). En este trabajo hacemos una revisión de estas dos áreas: el aprendizaje de máquina y el aprendizaje profundo, orientado al impacto y sus aplicaciones en el área de biotecnología.

Discriminación de masas mamográficas mediante K-Nearest Neighbor y atributos BIRADS

“…Machine Learning, conocido en español como aprendizaje de máquina, es un área dedicada al desarrollo y aplicación de técnicas y algoritmos computacionales capaces de aprender a través de grandes conjuntos de datos (Franco & Ramos, 2019), sin la necesidad de ser programados explícitamente (Aguilar et al, 2018). Se trata del proceso de programar para aprender en lugar de programar para una única salida (Eedi & Kolla, 2020), el método de aprendizaje comienza con datos o un conjunto de datos, como experiencias o instrucciones, para que luego puedan descubrir un patrón o mejorar ese patrón en un futuro cercano, si es necesario (Jean Sunny et al, 2020).…”

Validation of the GAEU-1 Acale to Assess the Learning Management of University Students

“…According to Paris and Winograd [6], the motivation of self-regulated learning influences the decisions to reach academic goals; therefore, these strategies affect the way in which a difficulty is perceived, the value of such learning, self-efficacy, and the possibilities of educational success or failure. Another fundamental aspect within the self-management of the university educational process is techniques of deep learning, which allow the application of theoretical content and academic experiences to solve problems in the real life of the university student [7].…”