design and implementation of a patterns recognition system ...las uniones gap son pequeños canales...

Abstract— Given the great amount of data that are generated of the experiments to analyze information of extracted chemical fluids of the brain of a rodent, arises the necessity to design and to implement data mining systems to process this data. In this work is proposed a Fuzzy System for the Analysis of Biological Liquids, that allows to analyze and to process the data, and this way, to know a series upheavals product of alterations, storage, and liberation of the Neurotransmitters. Our system has been tested to determine the variation of the glutamato Neurotransmitter in the cerebral tonsil of the rats. It discovers and it evaluates new rules, and it generates new solutions associated to clinical upheavals. Keywords— Pattern Recognition, Fuzzy Logic, eurotransmitters, Physiology of Behavior, Analysis of Biological Fluids.

I. INTRODUCCIÓN lgunos de los problemas más importantes en la ciencia, la industria y el comercio, requieren del uso de gran

cantidad de datos complejos. Esto puede conllevar a problemas de clasificación de dichos datos para poder tomar decisiones con los mismos. En este sentido tiene mucho que aportar el trabajo interdisciplinario entre la Medicina, Bioinformática, Ciencias Biológicas, entre otras. En estas disciplinas se presentan problemas de clasificación, diagnóstico, pronóstico, predicción, entre otros [14, 15, 16].

Actualmente unos de los grandes retos a los cuales se han enfrentado la Medicina y las Ciencias Biológicas ha sido entender las bases biológicas de la conciencia y los procesos mentales por medio de los cuales percibimos, aprendemos y memorizamos; por tal razón, durante las ultimas dos décadas se ha incrementado significativamente la unificación del estudio entre la conducta ó comportamiento emocional y las bases moleculares que pudiesen estar implicadas en tales comportamientos [10, 11, 12, 13].

El cerebro posee regiones funcionales distintas. Las funciones cognitivas están localizadas dentro de la corteza cerebral; algunas características afectivas y aspectos de la personalidad también están localizados anatómicamente, y los procesos mentales están representados en el cerebro por sus

Este trabajo fue financiado en parte por el CDCHT-ULA (Proyecto I-820-05-02-AA), y el Fonacit (Proyecto 2005000170).

Jose. Aguilar trabaja en CEMISID. Departamento de Computación, Facultad de Ingeniería, Universidad de los Andes, Mérida, 5101, Venezuela (email: [email protected]).

Luis. Hernández trabaja en el Laboratorio de Fisiología, Facultad de Medicina, Universidad de Los Andes, Mérida 5101, Venezuela (email: [email protected])

operaciones de procesamiento elemental [10, 11, 12, 13]. Todo esto indica la generación de una función del cerebro, en el cual no se incluyen comportamientos motores simples, sino también acciones cognitivas complejas como pensar, hablar y realizar creaciones artísticas. Algo a resaltar es que los desordenes del comportamiento que caracterizan enfermedades neurodegenerativas están determinadas principalmente por alteraciones en los NeuroTransmisores NTs. A través del análisis de los NTs implicados en circuitos neuronales específicos se puede diagnosticar estos tipos de enfermedades. Las alteraciones, el almacenamiento, la liberación o la degradación de los NTs, pueden afectar a la neurotransmisión y producir ciertos trastornos clínicos [7, 10, 12, 13].

Por otro lado, los Sistemas Inteligentes (SI) han representado una alternativa atractiva para tratar con problemas altamente variantes, complejos, y confusos [1, 8, 9, 16]. Los desarrollos recientes en SI han impactado otras áreas: Modelos biológicos; computadoras neuronales y masivamente paralelas, Integración de Razonamiento, Información y Servicio, Aprendizaje Rápido, entre otras. Existen tres paradigmas clásicos en el área de los SI: Redes Neuronales Artificiales, Computación Evolutiva y Lógica Difusa. Sin embargo existen otros paradigmas, como por ejemplo: los Sistemas Clasificadores Difusos, la Teoría de Agentes, etc.

En éste proyecto se presenta una aplicación de los Sistemas Clasificadores Difusos en el área de Medicina, como es el problema de analizar y clasificar una gran cantidad de datos provenientes de los fluidos bioquímicos extraídos del cerebro de un roedor para medir los NTs y las biomoléculas allí presentes, y de esta manera diagnosticar enfermedades en los humanos debido a alteraciones, almacenamiento, liberación o la degradación de los NTs.

II. MARCO TEÓRICO

A. NeuroTransmisores (NTs) El sistema nervioso tiene la característica de ser muy

rápido, aunque poco persistente en el tiempo. Sus contactos “internos” (neurona a neurona) o “externos” (neurona a músculo o glándula) se llaman sinapsis. La sinapsis es la conexión de las dendritas con el axón, siendo la base estructural biológica en la que se plantea la forma de entender la anatomía y la fisiología del tejido nervioso. Existen dos

A

Design and Implementation of a Patterns Recognition System

for Analysis of Biological Liquids

J. Aguilar, L. Hernandez

12 IEEE LATIN AMERICA TRANSACTIONS, VOL. 7, NO. 1, MARCH 2009

tipos de sinapsis que difieren en su estructura y en la forma en que transmiten el impulso nervioso [7, 10, 11, 12, 13]. • Sinapsis eléctrica: Es una sinapsis en la que la transmisión

entre la primera neurona y la segunda se produce por el paso de iones de una célula a otra a través de uniones gap. Las uniones gap son pequeños canales formados por el acoplamiento de complejos proteicos.

• Sinapsis química: Es una sinapsis en la que la transmisión entre la primera neurona y la segunda se produce por la secreción de un NT. Un NT es una sustancia que es liberada por una neurona (presináptica) que afecta a otra neurona (postsináptica), es decir, es una sustancia química que se encargan de la transmisión de las señales desde una neurona hasta la siguiente a través de las sinapsis.

La mayoría de las sinapsis son de tipo químico, y particularmente, en este proyecto se considera este tipo de sinapsis ya que el objetivo es analizar la liberación de los NTs que van a afectar al comportamiento de las personas [7, 10].

En base a su estructura neuroquímica los NTs se pueden clasificar en tres grandes grupos: Aminas, Aminoácidos, y Péptidos. Es este proyecto se estudia fundamentalmente los Aminoácidos y Aminas [7, 10, 13].

En la siguiente tabla se muestra la clasificación de los NTs, describiendo la localización, la función que cumplen (excitatorio o inhibitorio), y en que procesos se ve reflejada la presencia de esa sustancias en el ser humano.

B. Sistemas Clasificadores Difusos (SCD) Los Sistemas Clasificadores (SC) fueron propuestos por

Holland como un modelo de aprendizaje por refuerzo, basado en Algoritmos Genéticos (algoritmos de búsqueda que emplean técnicas tomadas de la evolución natural), que permiten una representación flexible del conocimiento. Básicamente son sistemas basados en reglas (classifiers) diseñados para interactuar con su entorno, y aprender de él mediante la asignación de pesos a cada regla y la creación de nuevas reglas a partir de las anteriores, es decir, aprenden reglas sintácticamente simples que, en su conjunto, resuelven un problema determinado[1, 8, 9, 17].

Los SC poseen como característica primordial, la adaptabilidad necesaria para poder aprender un comportamiento, lo cual es lograda a través de los algoritmos genéticos, modificando la población inicial de reglas y garantizando que las nuevas reglas sean mejores que las anteriores. Las características principales de un SC se resumen en los siguientes aspectos [1, 8, 9, 17]: • Las reglas tienen la forma de una sentencia lógica

(condición/acción), identificando una condición con una acción a realizar en caso de que la condición se cumpla.

• Un SC permite la activación paralela de reglas durante un ciclo dado.

Un SC posee una arquitectura básica de 3 subsistemas, tal como se muestra en la figura 1.

Figura 1: Arquitectura de un SC

Un SCD es un sistema cuyas reglas están basados en la

teoría de LD, el cual integra los mismos elementos de un SC, pero trabajando en un marco difuso [3, 4]. Así, en un SCD las reglas o clasificadores son reglas difusas, es decir, los elementos <condición> y <acción> tienen características difusas. De esta manera, la activación de una regla se logra cuando se verifica el cumplimiento de las instancias en su <condición> para los valores de las variables difusas que provienen del ambiente. Debido a la connotación difusa de las reglas del SCD, es necesario establecer que elemento del proceso de inferencia difusa define el valor de una regla. El peso de cada regla sería el elemento tomado en cuenta cuando se establezca el valor del crédito en cada ciclo de reglas y mensajes, ya que dicho peso es el que indica el grado de activación de la condición de la regla. En un SCD también la función de pertenencia es objeto de adaptación [1].

III. DEFINICIÓN DEL PROBLEMA En el Departamento de Fisiología, en la Facultad de

Medicina de la Universidad de los Andes se realizan experimentos para determinar cambios bioquímicos en el cerebro de los roedores, con el fin de entender las interacciones que suceden en el cerebro cuando un roedor realiza una actividad especifica, es decir, se alimenta, camina, corre, duerme, etc. [2]. Cada actividad hace que se active una parte del cerebro y que actúen en él sustancias específicas. Esto permite entender el funcionamiento del cerebro humano, ya que muchas de las sustancias e interacciones ocurren igual para los roedores y los humanos.

AGUILAR AND HERNANDEZ : DESIGN AND IMPLEMENTATION OF A PATTERNS 13

TABLA I CLASIFICACIÓN DE LOS NTS

Neurotransmisores Localización Función Aminas Acetilcolina Ganglios, Unión

neuromuscular, Sistema Nervioso

Central (SNC)

Excitatoria o inhibitoria. Relaciones

en problemas de memoria

Monoaminas Dopamina Encéfalo, Sistema Límbico (SL), Sistema Nervioso Autónomo

(SNA)

Mayormente excitatoria, gestiona

respuestas fisiológicas a las emociones/animo,

regulación de la temperatura, balance de

agua y efectos cognitivos de la esquizofrenia

Noradrenalina Áreas del SNC y división simpática del

SNA

Excitatoria o inhibitoria, regula

efectores simpáticos, en el encéfalo envuelve

respuestas emocionales Adrenalina Áreas del SNC y

división simpática del SNA

Excitatoria o inhibitoria, incrementa la frecuencia cardiaca

Serotonina Hipotálamo, varias regiones del SNC

Mayormente inhibitoria, relacionados

con respuestas en el sueño, estados de ánimo

y emociones Histamina SNC, Hipotálamo Mayormente

excitatoria, gestionando respuestas emocionales,

regulación de la temperatura y balance de

agua Aminoácidos Inhibitorios Gaba SNC, Encéfalo Es el NT inhibitorio

más abundante del encéfalo, relacionado

con problemas de ansiedad y epilepsia

Glicina Médula Espinal El NT inhibitorio más común de la médula

espinal Excitatorios Glutamato SNC El NT excitatorio más

abundante del SNC (75%)

Neuropeptidos Encefalinas Varias regiones del SNC, retina, tracto

intestinal

Mayormente inhibitorias, actúan como opiatos para bloquear el dolor

Endorfinas Varias regiones del SNC, retina, tracto

intestinal

Mayormente inhibitorias, actúan como opiatos para bloquear el dolor

Al realizar dichos experimentos se extraen las sustancias

químicas del cerebro del roedor a través de un capilar que es introducido en la cabeza del mismo, luego esta sustancia

química es procesada utilizando la electroforesis capilar [2, 5, 6]. Con los datos obtenidos se genera una gráfica que representa el conjunto de interacciones que ocurren según las


sustancias que actúan. Para esto se utiliza un sistema computacional llamado ONICE [6], desarrollado en la Universidad de Los Andes. Todos los datos son almacenados en una base de datos para ser analizados de forma manual y poder descubrir las sustancias e interacciones que genera el proceso, y así generar conocimiento. Ahora bien, este proceso hace que la mayoría de la información no pueda ser analizada dada la gran cantidad de datos, y parte del conocimiento se pierde.

Así, el problema aparece cuando se trata de analizar las enormes cantidades de datos presentes en el Laboratorios de Fisiología, que debido al desarrollo de las tecnologías es posible almacenarlos en diferentes soportes, que en definitiva se constituirán como inmensas bases de datos cuyo tratamiento y análisis sobrepasan las posibilidades de cualquier ser humano. Esta es la razón por la que desde hace algunos años se ha hecho cada vez más evidente la imperiosa necesidad de disponer de técnicas y herramientas de análisis, descubrimiento, y extracción de la información y del conocimiento relevante almacenado en esos grandes depósitos de datos. En un trabajo previo se propuso un Sistema de Minería de Datos cuyo objetivo es identificar los patrones de las sustancias químicas presentes en el cerebro de un roedor durante el desarrollo de una actividad dada (dormir, comer, etc.) [2]. Este sistema identifica las clases que representan las sustancias químicas, y las clases que representan las actividades hechas por los roedores. En este trabajo se propone un Sistema basado en Técnicas Inteligentes que permita a los investigadores analizar e interpretar los datos, y de esta manera conocer una serie de trastornos producto de alteraciones, almacenamiento, liberación o degradación de las sustancias químicas.

IV. DISEÑO DEL SISTEMA DIFUSO PARA EL ANÁLISIS DE LÍQUIDOS BIOLÓGICOS (SDALB)

A. Estructura del Sistema Difuso para el Análisis de Líquidos Biológicos

La estructura del SDALB esta basada en la arquitectura propuesta en [3, 4] conformada por cuatro subsistemas, donde se ha incorporado una nueva funcionalidad al subsistema Adaptativo. En la Figura 2 se puede observar su estructura. A continuación se describen los cuatro subsistemas que forman parte de la estructura del SDALB propuesta: • Subsistemas de Inferencia: Es el responsable de realizar

todo el proceso de inferencia, construir de forma dinámica las soluciones, y a su vez, interpretar y aplicar el conocimiento del subsistema de Almacenamiento con el fin de obtener una interpretación del trastorno posible.

• Subsistema de Almacenamiento de Información: Está conformado por una base de reglas y una base de hechos. La base de conocimiento posee toda la información concerniente a las variables y reglas que describen el sistema, mientras que la base de hechos posee un historial referido a los valores tomados por las variables del sistema.

• Subsistemas de Reglas: Está conformado por un compilador y un editor de reglas. El compilador es el encargado de realizar el análisis léxico, sintáctico y semántica. El editor de reglas es la interfaz mediante la cual el usuario escribe las reglas, y se despliegan las reglas almacenadas para modificarlas, eliminarlas ó guardar nuevas reglas.

• Sistemas de Adaptación: Es el encargado de adaptar el conocimiento almacenado en el sistema a los cambios del entorno. Está formado por un sistema de asignación de crédito y un sistema descubridor. Evalúa las reglas y las funciones de pertenencia de los conjuntos difusos, descubre y/o genera nuevas reglas, así como funciones de pertenencias. Adicionalmente, este sistema permite al experto evaluar las nuevas reglas generadas por el Mecanismo Adaptativo (MA), seleccionando y almacenando las reglas útiles y descartando las reglas inútiles. En la siguiente sección se especifica dicha funcionalidad.

B. Estructura de las reglas genéricas A continuación se definen la estructura de las reglas:

• Si <alturaTipoSustancia> entonces <efecto> • Si <alturaTipoSustancia> y

<promedioAlturaTipoSustancia> entonces <funcionNeuronal>

• Si <promedioAlturaTipoSustancia> y < desviacionEstandarTipoSustancia > entonces <funcionCircuitoNeuronal >

• Si <alturaTipoSustancia> y <promedioAlturaTipoSustancia> y <desviacionEstandarTipoSustancia> entonces <efecto> y <funcionNeuronal> y <funcionCircuitoNeuronal > y < enfermedadAsociada >

C. Definición de las variables difusas y los conjuntos difusos En esta sección se define el conjunto de variables difusas

usadas en las reglas genéricas para el análisis de los NTs ó tipo de sustancias estudiadas en el Laboratorio de Fisiología de la Facultad de Medicina, como son: Gaba, Serotonina, Acetilcolina, Histamina, Dopamina, Glutamato, Aspartato, y Glicina.


Figura 2: Estructura del SDALB

• alturaTipoSustancia: representa los cambios en los picos de

un determinado NT. Mide la concentración del NT presente en la muestra. Esta variable tiene 3 posibles caracterizaciones, cada uno con sus conjuntos difusos: baja, igual, alto.

De esta manera se definen los conjuntos difusos para las variables: alturaGaba, alturaSerotonina, alturaAcetilcolina, alturaHistamina, alturaDopamina, alturaGlutamato, alturaAspartato, alturaGlicina.

• promedioAlturaTipoSustancia: representa el promedio de todos los valores de altura de los picos que puede alcanzar un determinado NT en el número total de muestras tomadas en el experimento. Los conjuntos difusos son: bajo, intermedio, alto.

De esta manera se definen los conjuntos difusos para las variables: promedioAlturaGaba, promedioAlturaSerotonina, promedioAlturaAcetilcolina, promedioAlturaHistamina, promedioAlturaDopamina, promedioAlturaGlutamato, promedioAlturaAspartato, promedioAlturaGlicina

• desviaciónEstandarTipoSustancia: Mide la variabilidad existente en el promedio de la altura de un determinado NT. Los conjuntos difusos son: baja, alta.

De esta manera se definen los conjuntos difusos para el resto de las variables: desviaciónEstandarSerotonina, desviaciónEstandarAcetilcolina, desviaciónEstandarHistamina, desviaciónEstandarDopamina, desviaciónEstandarGlutamato, desviaciónEstandarAspartato, desviaciónEstandarGlicina.

• efecto: representa la causa de un determinado NT ante variaciones de altura en los picos. Los conjuntos difusos son: inhibidor, sinEfecto, excitador.

• funcionNeuronal: refleja la acción que cumplen las células nerviosas ante el efecto de un NT. En un circuito nervioso consecuencia del experimento pueden existir neuronas que producen y liberan determinado NT, dejan de

liberarlo, ó simplemente no son afectadas. Los conjuntos difusos son: liberar, dejarDeLiberar, noafectadas.

• funcionCircuitoNeuronal: representa el efecto de un NT ante al funcionamiento de un determinado circuito nervioso en diferentes roedores, indicando si el circuito nervioso funciona igual en todos los roedores ó difiere en determinados animales. Los conjuntos difusos son: produceCambios, noProduceCambios

• enfermedadAsociada: representa el tipo de trastorno asociado debido a alteraciones, almacenamiento, liberación o degradación de los NTs. Estas enfermedades están caracterizadas por los niveles de acción del NT:

o Ansiedad: refleja una disminución de los niveles de Gaba. Esta variable tiene tres posibles caracterizaciones: baja, media, alto.

o Depresión: refleja una disminución de los niveles de Noradrenalina y Serotonina. Esta variable tiene tres posibles caracterizaciones: baja, media, alto.

o Enfermedad de Alzheimer: refleja cierta variación en los niveles de Acetilcolina. Esta variable tiene tres posibles caracterizaciones: baja, media, alto.

o Enfermedad de Parkinson: refleja variación en los niveles de Dopamina y Noradrenalina. Esta variable tiene tres posibles caracterizaciones: baja, media, alto.

o Epilepsia: refleja una disminución de los niveles de Gaba. Esta variable tiene tres posibles caracterizaciones: baja, media, alto.

o Esquizofrenia: refleja un aumento en los niveles de Dopamina. Esta variable tiene tres posibles caracterizaciones: baja, media, alto.

o Lesión Cerebral: refleja un aumento excesivo en los niveles del Glutamato. Esta variable tiene tres posibles caracterizaciones: baja, media, alto.

o Migraña: refleja desequilibrio en los niveles de Serotonina, asociada a dolores de cabeza,


náuseas, vómitos e hipersensibilidad a la luz y al sonido. Esta variable tiene tres posibles caracterizaciones: baja, media, alto.

A continuación se muestra en la tabla 2, las variables difusas con sus respectivos conjuntos difusos:

TABLA II

VARIABLES DIFUSAS Y CONJUNTOS DIFUSOS Tipo de Variables Variables Difusas Conjunto Difusos Variables de Entrada

alturaGaba baja, media, alta alturaSerotonina baja, media, alta alturaHistamina baja, media, alta alturaAcetilcolina baja, media, alta alturaDopamina baja, media, alta alturaGlutamato baja, media, alta alturaspartato baja, media, alta alturaGlicina baja, media, alta PromedioalturaGaba bajo, intermedio, alto PromedioalturaSerotonina bajo, intermedio, alto PromedioalturaHistamina bajo, intermedio, alto PromedioalturaAcetilcolina bajo, intermedio, alto PromedioalturaDopamina bajo, intermedio, alto PromedioalturaGlutamato bajo, intermedio, alto PromedioalturaAspartato bajo, intermedio, alto PromedioalturaGlicina bajo, intermedio, alto DesviaciónEstánGaba baja, alta DesviaciónEstánSerotonina baja, alta DesviaciónEstánHistamina baja, alta DesviaciónEstánAcetilcolina baja, alta DesviaciónEstánDopamina baja, alta DesviaciónEstánGlutamato baja, alta DesviaciónEstánAspartato baja, alta DesviaciónEstánGlicina baja, alta

Variables de Salida Efecto Inhibidor,SinEfecto, Excitador FuncionNeuronal NoLibera, NoAfecta, Libera FuncionCircuitoNeuronal ProduceCambios, NoProduceCambios Ansiedad baja, media, alta Depresión baja, media, alta EnfermAlzheimer baja, media, alta EnfermParkinson baja, media, alta Epilepsia baja, media, alta Esquizofrenia baja media, alta LesiónCerebral baja, media, alta Migraña baja, media, alta

D. Definición de las Funciones de Pertenencia A continuación se definen las funciones de pertenencia de

cada uno de los conjuntos difusos asociados a cada variable difusa. Se propone, de manera general, el uso de funciones de pertenencia del tipo triangular y trapezoidal. • Las variables difusas alturaGaba, alturaSerotonina,

alturaAcetilcolina, alturaHistamina, alturaDopamina, alturaGlutamato, alturaAspartato, alturaGlicina, están caracterizadas por la función de pertenencia mostrada en la figura 3. El universo de discurso es [0 mv, 4000 mv], indicando la mínima y

máxima altura que puede alcanzar cada pico que representa una sustancia en particular.


Figura 3: Función de pertenencia de las variables difusas que tienen que ver

con la altura de las NT bajo estudio

• Las variables difusas promedioAlturaGaba, promedioAlturaSerotonina, promedioAlturaAcetilcolina, promedioAlturaHistamina, promedioAlturaDopamina, promedioAlturaGlutamato, promedioAlturaAspartato, promedioAlturaGlicina, están caracterizadas por la función de pertenencia mostrada en la figura 4. El universo de discurso es [0 mv, 4000 mv].

Figura 4: Función de pertenencia de las variables difusas que tienen que ver con el promedio de la altura de las NT bajo estudio

• Las variables difusas desviacionEstanGaba,

desviacionEstanSerotonina, desviacionEstanAcetilcolina, desviacionEstanHistamina, desviacionEstanDopamina, desviacionEstanGlutamato, desviacionEstanAspartato, desviacionEstanGlicina, están caracterizadas por la función de pertenencia mostrada en la figura 5. El universo de discurso es [0 mv, 1000 mv].

Figura 5: Función de pertenencia de las variables difusas que tienen

que ver con la desviación estándar de la altura de las NT bajo estudio.

• Para la variable difusa efecto se propone el uso de la función de pertenencia de la figura 6. El universo de discurso es [0%, 100%].

Figura 6: Función de pertenencia de la variables difusa efecto

• Para la variable difusa funcionNeuronal se propone el

uso de la función de pertenencia de la figura 7. El universo de discurso es [0%, 100%].

Figura 7: Función de pertenencia de la variables difusa funcionNeuronal


• Para la variable difusa funcionCircuitoNeuronal se propone el uso de la función de pertenencia de la figura 8. El universo de discurso es [0%, 100%].

Figura 8: Función de pertenencia de la variables difusa funcionCircuitoNeuronal

• Las variables difusas Ansiedad, Depresión,

EnfermAlzaheimer, EnfermHuntington, EnfermParkinson, Epilepsia, Esquizofrenia, LesionCerebral, Migraña, están caracterizadas por la función de pertenencia mostrada en la figura 9. El universo de discurso es [0%, 100%].

Figura 9: Función de pertenencia de las variables difusas: Ansiedad,

Depresión, EnfermAlzaheimer, EnfermParkinson, Epilepsia, Esquizofrenia, LesionCerebral, Migraña

V. CASO DE ESTUDIO

A. Definición del caso de estudio En la sección 3 se presento el problema a estudiar. En

específico, en nuestro caso de estudio se evalúan las variaciones del nivel extracelular del Glutamato en el núcleo de la Amígdala Cerebral, y sus implicaciones en las emociones, principalmente con el miedo y los trastornos de ansiedad.

B. Experimento El objetivo del experimento es determinar la variación del

nivel extracelular del NT glutamato en la amígdala del cerebro de ratas, bajo el efecto de las sustancias: Jugo, Cloruro de Litio (LiCl) y Cloruro de Sodio (NaCl).

El experimento fue realizado con 3 grupos experimentales, tomando 15 electroferogramas por rata perteneciente a cada grupo experimental, el tiempo entre cada electroferograma es de 2 sg. Cada electroferograma representa una muestra bajo ciertas condiciones (con efecto ó sin efecto de sustancias), es almacenado en un archivo .elf, y a través del ONICE se obtiene su grafica respectiva (ver figura 14). A continuación se detallan los grupos experimentales:

• Grupo 1 (sin los efectos de las sustancias): este grupo estuvo conformado por 6 ratas, y recordemos que se tomaron 15 electroferogramas por rata, que representan las muestras básales, estas son muestras donde las ratas no fueron tratadas con ninguna sustancia. Así, a lo largo de las 15 muestras tomadas no se le hizo nada a las ratas (Ver figura 10).

Figura 10: Especificación del Grupo 1

• Grupo 2 (bajo los efectos de las sustancias): este grupo

estuvo conformado por 6 ratas donde se tomaron 15 electroferogramas por rata. Este grupo fue tratado bajo los efectos de las sustancias Jugo y LiCL, donde después de las tres primeras muestras sin darles nada a las ratas se les dio Jugo a cada una, y después de la muestra 6 se les dio LiCL (ver figura 11).


• Grupo 3 (bajo los efectos de las sustancias): este grupo

estuvo conformado por 4 ratas, y al igual que antes se tomaron 15 electroferogramas por rata. Este grupo fue tratado bajo los efectos de las sustancias Jugo y NaCl, donde después de las tres primeras muestras sin darles nada a las ratas se les dio Jugo, y después de la muestra 6 se les dio NaCL (ver figura 12).



La extensión .elf define a un archivo del tipo electroforesis capilar, estos archivos contienen en código ASII los datos de una muestra en particular.

Figura 13: Muestra 1 Grupo_A_ 01 extraída de un roedor

En la grafica ejemplo (ver figura 13) se identifica el pico

que representa el NT en estudio, que en nuestro caso es el Glutamato.

Las variables de Entrada/Salida (E/S) que utiliza el Sistema Difuso para el Análisis del NT glutamato fueron descritas en la sección 4. En la tabla 3 se muestran nuevamente las variables específicas para el análisis respectivo del glutamato, en cada muestra.

TABLA III

VARIABLES DIFUSAS DE ENTRADA Y SALIDA Tipo de Var. Variable difusa

Entrada

alturaGlutamato promedioAlturaGlutamato desviacionEstanGlutamato

Salida

Efecto funcionNeuronal funcionCircuitoNeuronal Miedo Ansiedad

Usando el software ONICE [6] se identifico el pico que

representa el glutamato y se obtuvo los valores respectivos de las variables altura, promedio, como su desviación estándar.

En la tabla 4 se muestran los datos correspondientes al Grupo 1 (sin efectos de sustancias): promedio y desviación estándar de la altura del glutamato de las 6 ratas para cada grafica.

TABLA IV DATOS GRUPO 1

Grupo Experimental (Grupo 1)

Promedio de Altura Glutamato

Desviación Estándar de la altura del Glutamato

Grafica #1 218.2 64.32 Grafica #2 222.25 65.15 Grafica #3 350 188.42 Grafica #4 269.4 167.62 Grafica #5 204 142.75 Grafica #6 171.25 41.44

Grafica #7 170.67 23.71 Grafica #8 195 61.49 Grafica #9 337 83.44 Grafica #10 295.67 174.59 Grafica #11 181.67 27.93 Grafica #12 209.67 24.17 Grafica #13 333.67 139.47 Grafica #14 240.5 186.78 Grafica #15 188.25 65.05

En la tabla 5 se muestran los datos correspondientes al Grupo 2 (bajo los efectos de sustancias).

TABLA V DATOS GRUPO 2




Grafica #1 248.5 98.29 Grafica #2 394.25 371.17 Grafica #3 781.5 931.35 Grafica #4 165.5 26.16 Grafica #5 211 54.58 Grafica #6 284 215.81 Grafica #7 642 266.91 Grafica #8 504.75 273.58 Grafica #9 475.8 464.03 Grafica #10 825.75 929.75 Grafica #11 497.75 333.85 Grafica #12 468 309.94 Grafica #13 500.25 354.75 Grafica #14 454.75 409.93 Grafica #15 278.5 115.12

En la tabla 6 se muestran los datos correspondientes al Grupo 3 (bajo los efectos de sustancias).

TABLA VI DATOS GRUPO 3




Grafica #1 172.25 45.89 Grafica #2 357.75 313.14 Grafica #3 385 253.9 Grafica #4 253 114.23 Grafica #5 382.75 297.87 Grafica #6 162.75 17.17 Grafica #7 280.5 54.85 Grafica #8 229.67 138.04 Grafica #9 165.5 41.61 Grafica #10 348.75 226.76 Grafica #11 194.5 57.67 Grafica #12 149.25 28.89 Grafica #13 300.25 205.39 Grafica #14 146 26.15 Grafica #15 239.25 160.04


Los conjuntos difusos involucrados para cada variable E/S

fueron definidos en la sección 4. En la tabla 7 se muestran las variables E/S, con su respectivo conjuntos difusos, que son utilizados por el Sistema Difuso para el análisis del NT Glutamato.

De igual forma, el Sistema Difuso tiene definido las funciones de pertenencia para cada conjunto difuso asociada a cada variable difusa. Los rangos del universo están determinados por los promedios tomados en los diferentes experimentos relacionados con el NT en estudio, en este caso el Glutamato (Ver sección 4).

TABLA VII

VARIABLES DE E/S Y SUS CONJUNTOS DIFUSOS Variables Conjunto Difuso AlturaGlutamato Baja, Media, Alta PromedioAlturaGlutamato Bajo, intrmedio,

alto DesviacionEstanGlutamato

Baja, alta

Efecto Inhibir, SinEfecto, Excitar

FuncionNeuronal Liberar, NoLiberar, NoAfecta

FuncionCircuitoNeuronal ProduceCambios NoProduceCambios

Miedo Bajo, Medio, Alto Ansiedad Baja, Media, Alta

De acuerdo a la estructura de reglas genéricas que describe

el Sistema Difuso para el análisis NT Glutamato, e investigaciones realizadas en las implicaciones de la sustancia

en la amígdala cerebral, se establecieron las siguientes reglas inicialmente:

• Si alturaGlutamato es alta entonces efecto es excitador • Si alturaGlutamato es baja y promedioGlutamato es alto

entonces funcionNeuronal es liberar • Si promedioAlturaGlutamato es alto y

desviacionEstandarGlutamato es alta entonces funcionCircuitoNeuronal es produceCambios

• Si alturaGlutamato es alta y promedioGlutamato es alto y desviacionEstandarGlutamato es baja entonces efecto es excitador y funcionNeuronal es liberar y funcionCircuitoNeuronal es noProCambios y enfermedadAsociada es Ansiedad

De acuerdo al experimento descrito y los datos

anteriormente expuestos, se construyó el prototipo correspondiente al NT glutamato haciendo uso de la herramienta para el desarrollo de sistemas difusos V 2.0 [3, 4]. El sistema despliega la interfaz correspondiente al Panel Principal, inicialmente a través de esta pantalla se crea la base de conocimiento (en nuestro caso de estudio bajo el nombre de protoGlutamato). El usuario tipo diseñador (ver figura 14) tiene la facultad de diseñar, modificar y utilizar el sistema difuso, ejecutar el Mecanismo Adaptativo (MA) y evaluar las reglas que resultan del proceso de evolución en útiles e inútiles. Existen otros dos tipos de usuarios: Normal y Especial. El usuario Normal puede utilizar el sistema elegido para conseguir una solución. El usuario Especial puede utilizar el sistema elegido para conseguir una solución, y además, recibir un reporte de las reglas activadas con su respectivo grado de disparo. A continuación se presenta las diferentes vistas de los usuarios.

Figura 14: Interfaz del Panel Principal

Perfil del Usuario Diseñador Este tipo de usuario debe seleccionar la base de

conocimiento e introducir el login y password respectivo, en

nuestro caso seleccionamos protoglutamato de la lista de todas las bases de conocimiento. A continuación se despliega el panel del diseñador (ver figura 15).


Figura 15: Panel del Diseñador

En esa ventana se despliegan todas las operaciones que

puede realizar el usuario diseñador sobre la base de conocimiento. Las opciones son las siguientes: Mostrar Base de Conocimiento, Borrar Base de Conocimiento, Añadir Variable, Editar Variable y Borrar Variable.

En el Panel del Diseñador (ver figura 15), en el lado superior derecho se presenta la opción de Editor de Regla. Al

seleccionar esta opción la herramienta despliega la ventana respectiva del Editor de Reglas, la cual permite construir las reglas y reportar los errores que puedan tener dichas reglas y/o la compilación exitosa de las mismas. En la figura 16 se muestra la construcción de algunas reglas correspondientes al prototipo del glutamato.

Figura 16: Opción Editor de Reglas

El Panel del Diseñador (ver figura 15), en el lado superior

derecho muestra la opción Base de hechos. Al seleccionar esta opción aparece una ventana que solicita al usuario los valores de las variables de entrada del Sistema Difuso (Ver figura 17). Al ingresar dichos valores y pulsar el botón Aceptar, se ejecuta el Mecanismo de Inferencia y se despliega una solución al usuario, para utilizar esta opción previamente se debió introducir las reglas. Los valores de las variables introducidos en esta ventana son ingresados en la base de hechos del sistema en forma automática.

Figura 17: Opción Base de Hechos

En la parte inferior derecha del Panel del Diseñador se

muestran las opciones respectivas del Sistema Adaptativo (Ver figura 15), Diseñar Sistema Adaptativo, y SA


Automático. El usuario inicialmente debe seleccionar la opción: Diseñar Sistema Adaptativo, donde el sistema despliega la ventana que contiene tres paneles (ver figura 18): el primero permite especificar el tipo de Adaptación, el segundo corresponde a los parámetros requeridos por los algoritmos evolutivos para generar nuevas reglas y funciones de pertenencia, y el tercero corresponde a los parámetros necesarios para el llamado al Mecanismo Adaptativo (MA).

En la figura 18 se especifica los parámetros para nuestro caso de estudio donde se especifica el tipo de ejecución Automática. También se pueden observar el resto de los parámetros introducidos como: Tasa de mutación con un valor de 0.1, Número de Generaciones igual a 5. Además, se seleccionó el uso de los operadores de cruce y mutación, se establecieron los máximos niveles para los árboles involucrados en la evolución (tamaño del individuo): los nuevos individuos y los subárboles generados en el proceso de mutación. Finalmente se especifica el número de mensajes recibidos del exterior para hacer el llamado al MA, en este caso se le asignó 2.

Para llevar a cabo la ejecución Automática es necesario considerar los datos de entrada que se especifican en un archivo de texto. En nuestro caso de estudio los datos de entrada son tomados de la tabla 4, 5 y 6 que representan datos de muestras básales y manipuladas. El sistema toma cada entrada del archivo de texto (C:\eventosprotoglutamato.txt) y genera una solución (la ruta de acceso al archivo de texto es especificada en el panel del Diseñador, ver figura 15). Los

resultados son presentados en una ventana tal como se muestra en la figura 19.

Figura 18: Opción Tipo de Adaptación

Los mensajes del exterior están determinados por los datos

de entrada que se encuentran en el archivo de texto. En nuestro caso los datos de entrada representan los valores para las variables que forman parte del caso de estudio: alturaGlutamato, proAGlutamato y desEGlutamato.

Figura 19: Ventana de los Resultados

Para nuestro caso de estudio se tiene inicialmente 14 reglas

útiles (ver figura 16), al hacer el llamado al MA para cada regla se introducen nuevas relaciones entre los conjuntos difusos de la condición y de la acción, generando 14 nuevas instancias de reglas, las cuales deben ser evaluadas por el experto. Para realizar la evaluación de las reglas el sistema despliega un check box al inicio de cada regla nueva, si el experto considera la regla útil el check box debe ser seleccionado, de lo contrario se considera la regla inútil (ver figura 21).

Para realizar la evaluación de las reglas seleccionamos una regla nueva útil (Ver figura 20) y presionamos el botón

evaluar, el sistema automáticamente evalúa que la regla nueva no esta contenida en otra regla de la BC y permite almacenarla en la BC. En la figura 21 se puede observar el mensaje que despliega el sistema al momento de almacenar la regla nueva en la BC. Para el caso de estudio en concreto, en la evolución de la regla seleccionada se incluye la variable Miedo para el análisis de la amígdala cerebral, esta variable no existía como parte de las reglas especificadas, en este caso el sistema permite introducir implicaciones en trastornos de ansiedad como el miedo para la zona del cerebro en estudio.


Figura 20: Resultados del MA

Figura 21: Evaluación de las Reglas opción “Evaluar”

El MA establece nuevos rangos para los conjuntos difusos

definidos, y genera funciones de pertenencia de tipo diferente al que presentaban las funciones de pertenencia originalmente. La evolución de las funciones de pertenencia permite corregir errores de diseño y/o actualizar la información del sistema a los cambios que estén ocurriendo en el entorno. En la figura 22 se observa la evolución de las funciones de pertenencia para la variable alturaGlutamato y conjunto difuso alto, donde la función de pertenencia inicialmente es de tipo trapezoidal en el rango (500, 650, 850, 1000), la cual es reemplazada por el rango (432.36, 650, 850, 1000). De igual forma, podemos observar la evolución de la Función de Pertenencia para la variable proAGlutamato, donde inicialmente se define de tipo trapezoidal y al evolucionar la función de pertenencia cambia a tipo triangular en el rango (0, 110, 220).

Figura 22: Evolución de las Funciones de Pertenencia

Perfil del Usuario Normal

Perfil del Usuario Normal Este tipo de usuario debe seleccionar la base de

conocimiento e introducir el login y password respectivo (ver figura 14). Al seleccionar la opción “Entrar en el Sistema”, se despliega la pantalla que permite al usuario ingresar una

entrada y conseguir una solución. En la figura 23 el usuario normal introduce la entrada y al presionar la opción Aceptar el sistema despliega la solución (Ver figura 24)

Figura 23: Interfaz de entradas de datos

Figura 24: Interfaz de entradas de datos

C. Análisis de Resultados del SDALB El sistema difuso, ante diferentes entradas, despliega las

reglas activadas en el proceso de inferencia y genera las soluciones respectivas. En la figura 19 se presentan los resultados ante el mensaje recibido del exterior correspondiente al Grupo 2 (ver tabla 5): alturaGlutamato = 600, proAGlutamato = 504.75 y desEGlutamato = 273.58, donde se activaron las reglas 1, 2, 5, 11, 12. El sistema difuso genera una solución asociada al 76.77% de la variable “efecto”, indicando un efecto excitador dado por un aumento de altura en el pico que representa el glutamato por la acción que produce el LiCl. En cuanto a que se tiene el 59.92% de la variable “funNeuronal”, en nuestro caso indica que la función de la amígdala cerebral fue un poco afectada por el LiCl y hace que existan neuronas que liberan un poco de glutamato. Por otro lado, el 24.69% de “FunCirNeu” que muestra el sistema difuso esta asociado a la función que cumple la amígdala cerebral, en nuestro caso indica que para las 6 ratas que forman parte del experimento son pocos los cambios que se produce en la zona del cerebro en estudio y el funcionamiento de dicha zona cerebral funciona igual para todas las ratas del grupo 2.

De acuerdo a las variaciones en los niveles del glutamato se pueden presentar perturbaciones en la amígdala cerebral donde el sistema difuso es capaz de generar nuevas soluciones y asociarle posibles trastornos como el miedo, ansiedad, depresión, tal como se puede observar en la figura 21.

D. Análisis Realizado por el Experto De acuerdo a los grupos experimentales en estudio se puede

observar que el LiCl aumenta el glutamato y afecta la


amígdala cerebral, esto ocurre ya que se le inyecta al grupo 2 LiCl entre la muestra 6 y 7, tal como se puede observar en la figura 26 un aumento en el promedio de altura del glutamato a partir de la grafica 6. En cambio, en los grupos 1 y 3 no se observan diferencias, identificando que NaCl no les hace nada a las ratas (Grupo 3) ya que se comporta como el grupo que representa las muestras básales (Grupo 1). Así, comparando las escalas del promedio de altura del glutamato para los tres grupos se observa una diferencia ya que el LiCl aumenta el glutamato.

Figura 26: Promedio de altura del glutamato para los diferentes grupos

experimentales

Comparando los resultados que arroja el SDALB con el análisis realizado por el experto se puede observar que utilizando el sistema podemos llegar a las conclusiones que generaría el experto.

VI. CONCLUSIONES El Sistema Difuso para el Análisis Líquidos Biológicos

permite analizar y clasificar datos provenientes de los fluidos bioquimicos extraídos del cerebro de roedores, y de esta manera manipular gran cantidad de información que es imposible manejar manualmente cuando se incrementa la cantidad de electroferogramas en los experimentos.

El diseño del Sistema Difuso propuesto fue desarrollado bajo el paradigma de los Sistemas Clasificadores Difusos, permitiendo representar de manera flexible el conocimiento, procesar hechos y obtener a partir de ese procesamiento inferencias o conclusiones.

Con el objetivo de probar el Sistema Difuso se implemento un prototipo para determinar la variación del NT Glutamato en la amígdala del cerebro de la rata, inducida por la acción de varias sustancias (Zucco, LiCL, NaCl). Se consideró inicialmente un experimento para analizar específicamente el Glutamato, por la facilidad de ubicarlo y/o detectarlo en los electroferogramas, sin embargo sería interesante utilizar el SDALB en otros experimentos analizando otros NTs, ya sean

nuevas sustancias detectadas que resulte de interés ó las estudiadas/descubiertas en el Laboratorio de Fisiología.

Comparando los resultados obtenidos por el SDALB respecto al análisis realizado por el experto para el prototipo implementado, se llego a conclusiones similares ya que el LiCl aumenta el glutamato y afecta la amígdala cerebral. Sin embargo, el Sistema Difuso permite definir en términos difusos que la amígdala cerebral fue poco afectada por el LiCl.

En general, el Sistema Difuso permite descubrir y/o generar nuevas reglas, y diagnosticar enfermedades producto de alteraciones de los neurotransmisores.

REFERENCIAS [1] Aguilar J., Rivas F. (Ed.), Introducción a las Técnicas de Computación

Inteligente, Meritec, Junio 2001. [2] Altamiranda A., Aguilar J., Hernández L. “Data Mining System for

Biochemical Analysis in Experimental Physiology”, In Proceeding Intl Joint Conf. on Neural Network, pp. 3407-3411, 2008.

[3] Aguilar J, Sanchez J., Rivas F."Knowledge Base and Inference Motor for an Automated Management System for Developing Expert Systems and Fuzzy Classifiers", WSEAS Transactions on Systems Journal, Vol, 3, No. 2, pp. 682-687, 2004.

[4] Aguilar J, Menolascina, Y. Rivas F. “Compiler Design for Fuzzy Classifier Systems”, WSEAS Transactions on Systems, Vol. 4, No. 4, pp. 262-267, 2005.

[5] Hernández L., “Manual de CZE”, Reporte Técnico, Departamento de Fisiología, Facultad de Medicina, Universidad de Los Andes, Mérida – Venezuela, 2004.

[6] León V., “Manual de usuario del ONICE”, Reporte Técnico, Departamento de Fisiología, Facultad de Medicina, Universidad de Los Andes,, Mérida – Venezuela, 1998.

[7] “Neurotransmisores”. Disponible en: http://www.mononeurona.org/archivos/neurotransmisores.pdf#search=%22neurotransmisor%22. (Junio 2008)

[8] Engelbrech A. “Computational Intelligence: An Introduction”, Wiley, 2007

[9] Russell C.. Eberhart C., Yuhui S. “Computational Intelligence: Concepts to Implementations”, Morgan Kaufmann, 2007

[10] Bear M., Connors B, Paradiso M., “Neuroscience: Exploring the Brain”, Lippincott, 2002.

[11] Dayan P., Abbott L., “Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems”, MIT Press, 2001.

[12] Kandel E., Schwartz J., Jessell T., “Principles of Neural Science”, McGraw-Hill, 4th Ed. 2000.

[13] Nicholls J., Wallace B., Fuchs P., Martin A., “From Neuron to Brain”, Sinauer Associates, 4th edition 2001.

[14] Bergeron B. “Bioinformatics Computing”, Prentice Hall, 2002. [15] Lesk A, “Introduction to Bioinformatics”, 2002, Oxford University Press. [16] Keedwell E., Narayanan A.,” Intelligent Bioinformatics: The Application

of Artificial Intelligence Techniques to Bioinformatics Problems “, Wiley, 2005.

[17] Goldberg D. “Genetic Algorithms in Search, Optimization and Machine Learning”, Kluwer Academic Publishers, 1989.

Jose Aguilar (M’1999) obtuvo una Maestría en Informática en 1991 en la Universidad Paul Sabatier-Toulouse-France, y el Doctorado en Ciencias Computacionales en 1995 en la Universidad Rene Descartes-Paris-France. Además, realizó un Postdoctorado en el Departamento de Ciencias de la Computación de la Universidad de Houston entre 1999 y 2000. Es profesor del Departamento de


Computación de la Universidad de los Andes, Mérida-Venezuela, e investigador del Centro de Microcomputación y Sistemas Distribuidos (CEMISID) de la misma universidad. El Dr. Aguilar ha sido profesor/investigador visitante en varias universidades y laboratorios (Université Pierre et Marie Curie Paris-France, Laboratorie d’Automatique et Analyses de Systemes Toulouse-France, Universidad Complutense de Madrid-España, entre otras). Sus áreas de interés son los sistemas paralelos y distribuidos, computación inteligente, (redes neuronales artificiales, lógica difusa, sistemas multiagente, computación evolutiva etc.), optimización combinatoria, reconocimiento de patrones, sistemas de control y automatización industrial. Ha publicado más de 200 artículos y varios libros en las áreas de Sistemas Computacionales y Gestión en Ciencia y Tecnología, y editor de varias actas de conferencias y de libros. Ha formado parte de varios jurados de premios científicos; presidido varios simposios, talleres, etc.; y es revisor de revistas internacionales permanentemente. Además, ha recibido varios premios nacionales como internacionales.

Luis Hernández es Médico Cirujano (1966) de la Universidad de Los Andes. Coordinador General del Consejo de Desarrollo científico, Humanístico y Tecnológico ULA, (1980-84). Visiting Senior Scientist. Neuroscience Program. Princeton University, NJ., U.S.A., (1986-88). Profesor Titular de Fisiología, Departamento de Fisiología, ULA, desde noviembre de 1988. Vicepresidente del Colegio de Médicos del Edo.

Mérida. Cofundador de la compañía Europhor SA en Toulouse, Francia. Ha obtenido los siguientes premios y distinciones: Premio Nacional a la innovación tecnológica 1993, Orden Andrés Bello en 2da. Clase 1993, Premio Francisco de Venanzi 1994, Miembro de Número de la Academia de Mérida, Investigador del Nivel III según la clasificación del Plan de Promoción del Investigador. Ha publicado ciento veintiséis (126) artículos y treinta y tres (33) capítulos de libros, ciento diecinueve (119) comunicaciones en Congresos Internacionales y veinte (20) en Congresos Nacionales. El Dr. Luis Hernández, ha desarrollado, en las últimas tres décadas una extraordinaria carrera de investigación y docencia de pre y postgrado en Neurofisiología y Conducta Animal, y ha contribuido a la formación de centenares de jóvenes estudiantes de Medicina. Ha realizado significativos aportes en el campo de la investigación tecnológica y ha desarrollado dispositivos y equipos para el estudio de los procesos bioquímicos cerebrales como la sonda de microdiálisis cerebral, con la cual es posible medir eventos químicos que ocurren en el cerebro de un animal sin interferir con su comportamiento. Esta sonda le ha permitido obtener una patente que cubre países industrializados, incluyendo la comunidad europea y varios países asiáticos.


design and implementation of a patterns recognition system ...las uniones gap son pequeños canales...

Documents