Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión

Autores
Milone, Diego Humberto; Stegmayer, Georgina; Gerard, Matias Fernando; Kamenetzky, Laura; López, M.; Carrari, Fernando Oscar
Año de publicación
2009
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Las numerosas aplicaciones de la inteligencia artificial a la biología de sistemas han dado lugar a nuevos algoritmos, además de la adaptación y reutilización de los existentes. En tareas de minería de datos se han aplicado diversos métodos estándar, como por ejemplo el bien conocido k-medias. Sin embargo, las capacidades de estos métodos son limitadas en relación a otros algoritmos más recientes, tanto en su desempeño para el agrupamiento de patrones como para la representación e interpretación de los resultados obtenidos. En este trabajo se compara el desempeño de tres métodos de agrupamiento no supervisado en la tarea de integración y descubrimiento de relaciones entre variaciones en los contenidos de metabolitos y la expresipon de genes de frutos de tomate. Los métodos considerados son el k-medias, el agrupamiento jerárquico y un método recientemente propuesto que se basa en mapas auto-organizativos. Se presentan los resultados obtenidos del análisis objetivo de la calidad de los agrupamientos y su significancia biológica. El modelo auto-organizado ha mostrado las más altas tasas de desempeño en las medidas de cohesión y separación, brindando además la máxima coherencia de las agrupaciones obtenidas desde el punto de vista del significado biológico.
Fil: Milone, Diego Humberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina
Fil: Stegmayer, Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación y Desarrollo de Ingeniería en Sistemas de Información; Argentina
Fil: Gerard, Matias Fernando. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación y Desarrollo de Ingeniería en Sistemas de Información; Argentina. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: Kamenetzky, Laura. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: López, M.. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: Carrari, Fernando Oscar. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Instituto Nacional de Tecnología Agropecuaria; Argentina
Materia
MÉTODOS DE AGRUPAMIENTO NO SUPERVISADO
INTEGRACIÓN DE DATOS METABÓLICOS Y TRANSCRIPTÓMICOS
LÍNEAS DE INTROGRESIÓN
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/113367
Acceder
id CONICETDig_6519a7a2e295dbec0d7e69301ca45eb3
oai_identifier_str oai:ri.conicet.gov.ar:11336/113367
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresiónMilone, Diego HumbertoStegmayer, GeorginaGerard, Matias FernandoKamenetzky, LauraLópez, M.Carrari, Fernando OscarMÉTODOS DE AGRUPAMIENTO NO SUPERVISADOINTEGRACIÓN DE DATOS METABÓLICOS Y TRANSCRIPTÓMICOSLÍNEAS DE INTROGRESIÓNhttps://purl.org/becyt/ford/1.2https://purl.org/becyt/ford/1Las numerosas aplicaciones de la inteligencia artificial a la biología de sistemas han dado lugar a nuevos algoritmos, además de la adaptación y reutilización de los existentes. En tareas de minería de datos se han aplicado diversos métodos estándar, como por ejemplo el bien conocido k-medias. Sin embargo, las capacidades de estos métodos son limitadas en relación a otros algoritmos más recientes, tanto en su desempeño para el agrupamiento de patrones como para la representación e interpretación de los resultados obtenidos. En este trabajo se compara el desempeño de tres métodos de agrupamiento no supervisado en la tarea de integración y descubrimiento de relaciones entre variaciones en los contenidos de metabolitos y la expresipon de genes de frutos de tomate. Los métodos considerados son el k-medias, el agrupamiento jerárquico y un método recientemente propuesto que se basa en mapas auto-organizativos. Se presentan los resultados obtenidos del análisis objetivo de la calidad de los agrupamientos y su significancia biológica. El modelo auto-organizado ha mostrado las más altas tasas de desempeño en las medidas de cohesión y separación, brindando además la máxima coherencia de las agrupaciones obtenidas desde el punto de vista del significado biológico.Fil: Milone, Diego Humberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; ArgentinaFil: Stegmayer, Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación y Desarrollo de Ingeniería en Sistemas de Información; ArgentinaFil: Gerard, Matias Fernando. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación y Desarrollo de Ingeniería en Sistemas de Información; Argentina. Instituto Nacional de Tecnología Agropecuaria; ArgentinaFil: Kamenetzky, Laura. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Instituto Nacional de Tecnología Agropecuaria; ArgentinaFil: López, M.. Instituto Nacional de Tecnología Agropecuaria; ArgentinaFil: Carrari, Fernando Oscar. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Instituto Nacional de Tecnología Agropecuaria; ArgentinaAsociación Española para la Inteligencia Artificial2009-10info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/113367Milone, Diego Humberto; Stegmayer, Georgina; Gerard, Matias Fernando; Kamenetzky, Laura; López, M.; et al.; Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión; Asociación Española para la Inteligencia Artificial; Inteligencia Artificial; 13; 44; 10-2009; 56-661137-36011988-3064CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/http://polar.lsi.uned.es/revista/index.php/ia/article/view/624/607info:eu-repo/semantics/altIdentifier/url/https://dialnet.unirioja.es/servlet/articulo?codigo=3215354info:eu-repo/semantics/altIdentifier/doi/10.4114/ia.v13i44.1046info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:33:01Zoai:ri.conicet.gov.ar:11336/113367instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 09:33:01.809CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión
title Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión
spellingShingle Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión
Milone, Diego Humberto
MÉTODOS DE AGRUPAMIENTO NO SUPERVISADO
INTEGRACIÓN DE DATOS METABÓLICOS Y TRANSCRIPTÓMICOS
LÍNEAS DE INTROGRESIÓN
title_short Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión
title_full Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión
title_fullStr Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión
title_full_unstemmed Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión
title_sort Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión
dc.creator.none.fl_str_mv Milone, Diego Humberto
Stegmayer, Georgina
Gerard, Matias Fernando
Kamenetzky, Laura
López, M.
Carrari, Fernando Oscar
author Milone, Diego Humberto
author_facet Milone, Diego Humberto
Stegmayer, Georgina
Gerard, Matias Fernando
Kamenetzky, Laura
López, M.
Carrari, Fernando Oscar
author_role author
author2 Stegmayer, Georgina
Gerard, Matias Fernando
Kamenetzky, Laura
López, M.
Carrari, Fernando Oscar
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv MÉTODOS DE AGRUPAMIENTO NO SUPERVISADO
INTEGRACIÓN DE DATOS METABÓLICOS Y TRANSCRIPTÓMICOS
LÍNEAS DE INTROGRESIÓN
topic MÉTODOS DE AGRUPAMIENTO NO SUPERVISADO
INTEGRACIÓN DE DATOS METABÓLICOS Y TRANSCRIPTÓMICOS
LÍNEAS DE INTROGRESIÓN
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.2
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv Las numerosas aplicaciones de la inteligencia artificial a la biología de sistemas han dado lugar a nuevos algoritmos, además de la adaptación y reutilización de los existentes. En tareas de minería de datos se han aplicado diversos métodos estándar, como por ejemplo el bien conocido k-medias. Sin embargo, las capacidades de estos métodos son limitadas en relación a otros algoritmos más recientes, tanto en su desempeño para el agrupamiento de patrones como para la representación e interpretación de los resultados obtenidos. En este trabajo se compara el desempeño de tres métodos de agrupamiento no supervisado en la tarea de integración y descubrimiento de relaciones entre variaciones en los contenidos de metabolitos y la expresipon de genes de frutos de tomate. Los métodos considerados son el k-medias, el agrupamiento jerárquico y un método recientemente propuesto que se basa en mapas auto-organizativos. Se presentan los resultados obtenidos del análisis objetivo de la calidad de los agrupamientos y su significancia biológica. El modelo auto-organizado ha mostrado las más altas tasas de desempeño en las medidas de cohesión y separación, brindando además la máxima coherencia de las agrupaciones obtenidas desde el punto de vista del significado biológico.
Fil: Milone, Diego Humberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina
Fil: Stegmayer, Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación y Desarrollo de Ingeniería en Sistemas de Información; Argentina
Fil: Gerard, Matias Fernando. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación y Desarrollo de Ingeniería en Sistemas de Información; Argentina. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: Kamenetzky, Laura. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: López, M.. Instituto Nacional de Tecnología Agropecuaria; Argentina
Fil: Carrari, Fernando Oscar. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Instituto Nacional de Tecnología Agropecuaria; Argentina
description Las numerosas aplicaciones de la inteligencia artificial a la biología de sistemas han dado lugar a nuevos algoritmos, además de la adaptación y reutilización de los existentes. En tareas de minería de datos se han aplicado diversos métodos estándar, como por ejemplo el bien conocido k-medias. Sin embargo, las capacidades de estos métodos son limitadas en relación a otros algoritmos más recientes, tanto en su desempeño para el agrupamiento de patrones como para la representación e interpretación de los resultados obtenidos. En este trabajo se compara el desempeño de tres métodos de agrupamiento no supervisado en la tarea de integración y descubrimiento de relaciones entre variaciones en los contenidos de metabolitos y la expresipon de genes de frutos de tomate. Los métodos considerados son el k-medias, el agrupamiento jerárquico y un método recientemente propuesto que se basa en mapas auto-organizativos. Se presentan los resultados obtenidos del análisis objetivo de la calidad de los agrupamientos y su significancia biológica. El modelo auto-organizado ha mostrado las más altas tasas de desempeño en las medidas de cohesión y separación, brindando además la máxima coherencia de las agrupaciones obtenidas desde el punto de vista del significado biológico.
publishDate 2009
dc.date.none.fl_str_mv 2009-10
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/113367
Milone, Diego Humberto; Stegmayer, Georgina; Gerard, Matias Fernando; Kamenetzky, Laura; López, M.; et al.; Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión; Asociación Española para la Inteligencia Artificial; Inteligencia Artificial; 13; 44; 10-2009; 56-66
1137-3601
1988-3064
CONICET Digital
CONICET
url http://hdl.handle.net/11336/113367
identifier_str_mv Milone, Diego Humberto; Stegmayer, Georgina; Gerard, Matias Fernando; Kamenetzky, Laura; López, M.; et al.; Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión; Asociación Española para la Inteligencia Artificial; Inteligencia Artificial; 13; 44; 10-2009; 56-66
1137-3601
1988-3064
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://polar.lsi.uned.es/revista/index.php/ia/article/view/624/607
info:eu-repo/semantics/altIdentifier/url/https://dialnet.unirioja.es/servlet/articulo?codigo=3215354
info:eu-repo/semantics/altIdentifier/doi/10.4114/ia.v13i44.1046
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
dc.publisher.none.fl_str_mv Asociación Española para la Inteligencia Artificial
publisher.none.fl_str_mv Asociación Española para la Inteligencia Artificial
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1844613011284688896
score 13.070432

Publicaciones similares