Search

Density Classification Task (DCT) is a well-known problem, where the main goal is to build a cellular automaton whose local rule gives rise to emergent global coordination. We describe the methods used to identify new cellular automata that solve this problem. Our approach identifies both the neighborhood and its stochastic rule using a dataset of initial configurations that covers in a predefined way the full range of densities in DCT. We compare our results with some models currently available in the field. In some cases, our models show better performance than the best solution reported in the literature, with efficacy of 0.842 for datasets with uniform distribution around the critical density. Tests were carried out in datasets of diverse lattice sizes and sampling conditions. Finally, by a statistical non-parametric test, we demonstrate that there are no significant differences between our identified cellular automata and the best-known model. Resumen La Tarea de Clasificación de Densidad (TCD) es un problema bien conocido, donde el objetivo principal es construir un autómata celular cuya regla local dé lugar a una coordinación global emergente. Describimos los métodos utilizados para identificar nuevos autómatas celulares que resuelven este problema. Nuestro enfoque identifica tanto la vecindad como su regla estocástica utilizando un conjunto de datos de configuraciones iniciales que cubre de manera predefinida el rango completo de densidades en TCD. Comparamos nuestros resultados con algunos modelos disponibles actualmente en el campo. En algunos casos, nuestros modelos muestran un mejor rendimiento que la mejor solución informada en la literatura, con una eficacia de 0.842 para conjuntos de datos con distribución uniforme alrededor de la densidad crítica. Las pruebas se llevaron a cabo en conjuntos de datos de diversos tamaños de malla y condiciones de muestreo. Finalmente, mediante una prueba estadística no paramétrica demostramos que no hay diferencias significativas entre nuestros autómatas celulares identificados y el modelo más conocido.

In this paper, two new methods that address the multi-class superfamily prediction problem are presented. In the multi-class superfamily recognition problem each amino acid sequence has to be classified into one of the known structural classes (i.e., superfamilies). Most of the strategies that have been proposed to predict superfamilies are based on using the binary classifiers that detect remote homologs. The remote homology detection problem is about finding a classifier that is able to separate remote homologs from non-remote homologs. The current methods for multi-class superfamily recognition take the outputs of the binary classifier (i.e., the scores) for each SCOP superfamily in the data set and build a classification model (i.e., multi-class classifier). Unlike the current methods, which represent a protein considering the amino acids composition, in this research we use the number of times that 3D models enriched with physicochemical properties occur in both its predicted contact map and its interaction matrix. We hypothesize that including both 3D information and physicochemical properties might have an impact in the accuracy obtained during the superfamily prediction. In this paper, we present two new strategies for predicting superfamilies that use 3D models enriched with physicochemical properties, the single-MCS and the hierarchical-MCS methods, which reach an accuracy percentage of 74% and 76% on the SCOP 1.53 data set, respectively. In addition, tests on the SCOP 1.55 and the SCOP 1.61 are also presented En este artículo se presenta dos nuevos métodos para la predicción de superfamilias. En el problema de la predicción de superfamilias cada secuencia de aminoácidos se debe clasificar en una de las clases estructurales conocidas (i.e., superfamilias). La mayoría de las estrategias que se han propuesto para predecir superfamilias se basan en usar los clasificadores binarios que detectan homólogos remotos. Detectar homólogos remotos está relacionado con encontrar un clasificador que es capaz de indicar si una proteína es, o no, un homólogo remoto de un conjuntos de proteínas. Los métodos actuales para detectar superfamilias toman las salidas de los clasificadores binarios para cada superfamilia y construyen un modelo de clasificación. A diferencia de los métodos actuales, los cuales representan a las proteínas considerando la composición de aminoácidos, nosotros usamos el número de veces que modelos 3D enriquecidos con propiedades fisicoquímicas ocurren tanto en el mapa de contacto predicho como en la matriz de interacción. Nuestra hipótesis es que al incluir los modelos 3D con las propiedades fisicoquímicas se puede tener un impacto en la exactitud obtenida durante la predicción de superfamilias. En este artículo se presenta dos nuevas estrategias para predecir superfamilias, los métodos single-MCS y hierarchical-MCS, los cuales alcanzan una exactitud del 74% y 76% en el conjunto SCOP 1.53, respectivamente. Además, se presentan otras pruebas realizadas en los conjuntos SCOP 1.55 y SCOP 1.61

In this paper, a new method for remote protein homology detection called remote-3DP, is presented. The remote-3DP method is based on both predicted 3D information and physiochemical properties of amino acids. The remote-3DP method considers only 10 structural models to represent a protein and to distinguish between remote homologues and non-remote homologues in 54 SCOP families. The low dimensionality of the protein representation allows us to use different classification techniques and discover which one works better for each SCOP family. In this paper, we show that including a physicochemical property along with predicted 3D information into a local structural element, actually improves the accuracy in remote homology detection. The highest ROC score for a set of models that includes 3D information and the Hydropathy index reaches 0.953 on the SCOP 1.53 dataset. In addition, a model that ensembles the outputs of 10 physicochemical properties is built to make a consensus decision. The consensus strategy reaches a ROC score of 0.963 on the SCOP 1.53 dataset, surpassing the current methods based on sequence composition which accuracy range from 0.87 to 0.92 En este artículo se presenta un nuevo método para la detección de homología remota llamado remote-3DP. El método remote-3DP se basa tanto en información 3D predicha como en las propiedades fisicoquímicas de los aminoácidos. El método considera tan sólo 10 modelos estructurales para representar una proteína y distinguir los homólogos remotos de los no remotos en 54 familias SCOP. La baja dimensionalidad de la representación permite usar diferentes técnicas de clasificación y descubrir cuál funciona mejor para cada familia. En este artículo, se muestra que al incluir una propiedad fisicoquímica junto con la información 3D en un elemento estructural local, de hecho mejora la exactitud de la detección de homología remota. El puntaje ROC para un conjunto de modelos que incluye el índice de hidropatía alcanza un puntaje de 0. 953 para el conjunto de datos SCOP 1.53. Además, se propone un modelo de ensamble que utiliza las salidas obtenidas para las 10 propiedades y así tomar una decisión consenso. La estrategia consenso alcanza un puntaje ROC de 0.963 sobre el conjunto de datos SCOP 1.53, sobrepasando los métodos actuales basados en la composición de la secuencia cuya exactitud varía de 0.87 a 0.92

El crecimiento de la población de Latino-América requiere varias medidas en el sector agrario. para garantizar la alimentación en el futuro. Un papel importante entre estas medidas juega el empleo apropiado de fertilizantes; como en los suelos agrarios se pierde el balance natural de elementos nutritivos para las plantas. hay que adicionarlos en forma de fertilizantes, para poder asegurar el rendimiento agrario. Los fertilizantes consisten en una combinación de nutrientes para la planta. Los elementos necesarios en mayor cantidad son el nitrógeno, el fósforo y el potasio.

MASTERMIND es un juego que por los años setenta estaba muy de moda en los Estados Unidos. Es parecido al juego de picas y damas, que todos conocemos de los tiempos de colegio. Es un juego muy interesante que fomenta el pensamiento lógico y la aplicación de la combinatoria. En lo que sigue se tratará de definir el juego y analizar dos estrategias.

Las nuevas técnicas y metodologías para los sistemas productivos están dirigidos hacia el objetivo primordial: la calidad en su sentido más amplio. El concepto de calidad total incluye todas las área funcionales de un sistema productivo y se extiende a todos los procesos. Se orienta hacia las exigencias del mercado: responder en forma ágil y eficiente a las necesidades cambiantes del cliente y este es la única manera de mantener la competitividad de la empresa.

Suponiendo una estructura universal de los valores motivacionales, se analizan las implicaciones que tiene una tal estructura motivacional en los procesos de ensefianza aprendizaje universitarios. Se revisan los valores en el estudiante que aportan a un proceso eficiente de aprendizaje y el papel del profesor como motivador. En este contexto se consideran los métodos didácticos como estrategias para activar y estimular los valores motivacionales de los alumnos. La motivación del docente en su trabajo se explica con el concepto más general de un lider de un grupo, cuyo estilo de liderazgo se basa en los valores motivacionales universales. Es importante para el éxito del proceso de enseñanza - aprendizaje una relación que poco se ha estudiado: la mutua retroalimentación entre las fuerzas motivacionales del educador y del alumno

La vida como se conoce, no se podría concebir sin las funciones proteicas, que dependen de una estructura tridimensional particular para ser funcionales. La estructura a su vez, depende esencialmente de la secuencia de aminoácidos. Con esto, comprender la vida implica entonces comprender la forma como la secuencia proteica determina la estructura, y a su vez, la función. El conocimiento sobre estructura y función de proteínas es fundamental en las ciencias de la vida, y da origen a campos nuevos como Ingeniería de Proteínas y Nanotecnología Biológica, industrialmente prometedores. La determinación experimental de la estructura es costosa en tiempo, dinero, infraestructura y recurso humano. Con los proyectos genoma y la gran cantidad de información que éstos producen, hay una creciente brecha entre la aparición de secuencias y el conocimiento de la estructura y función proteicas. Los esfuerzos se dirigen entonces a dilucidar computacionalmente la estructura y función proteicas, desde de la secuencia de sus aminoácidos. En este trabajo analizamos datos experimentales de estructuras proteicas enfocándonos en aminoácidos individuales y tripletas de ellos, y su aparición en las estructuras secundarias de las proteínas almacenadas en el Banco de Datos de Estructuras de Proteínas (PDB). A partir de las frecuencias de aminoácidos y tripletas, y de su aparición en estructuras secundarias, se dedujo información en términos de la composición de aminoácidos, estructura secundaria de diferentes grupos de proteínas, su estabilidad estructural y su tendencia a adquirir ó no, otra estructura secundaria, con lo que se identifican combinaciones de residuos que le confieren particularidades estructurales a una proteína, para ser usadas en el rediseño de proteínas. Por otro lado, se reconstruyeron computacionalmente, Proteínas Morfogenéticas de Hueso (BMPs) y enzimas Beta-Lactamasas ancestrales, que luego se resucitaron en el laboratorio. Las Beta-Lactamasas ancestrales se caracterizaron en términos de su actividad enzimática y estabilidad térmica, encontrando que las enzimas reconstruidas presentan mayor promiscuidad de sustrato y mayor termoestabilidad, que sus equivalentes actuales. Las BMPs ancestrales recosntruidas muestran hasta el momento, mayor actividad en la regeneración ósea en cultivo y en huesos de animales pequeños, y se perfilan como candidatas para su uso en cirugías ortopédicas y maxilofaciales. Doctorado DOCTOR(A) EN CIENCIAS BIOMÉDICAS