ABSTRACT
Thirty-seven different colonies were isolated from decomposing logs of textile industries. From among these, a thermotolerant, gram-positive, filamentous soil bacteria Streptomyces durhamensis vs15 was selected and screened for cellulase production. The strain showed clear zone formation on the CMC agar plate after Gram's iodine staining. Streptomyces durhamensis vs15 was further confirmed for cellulase production by estimating the reducing sugars through the dinitrosalicylic acid (DNS) method. The activity was enhanced by sequential mutagenesis using three mutagens of ultraviolet irradiation (UV), N methyl-N'-nitro-N-nitrosoguanidine (NTG), and Ethyl methanesulfonate (EMS). After mutagenesis, the cellulase activity of GC23 (mutant) was improved to 1.86-fold compared to the wild strain (vs15). Optimal conditions for the production of cellulase by the GC 23 strain were evaluated using Response Surface Methodology (RSM) and Artificial Neural Network (ANN). The effects of pH, temperature, duration of incubation, and substrate concentration on cellulase production were evaluated. Optimal conditions for the production of cellulase enzyme using Carboxymethyl cellulose as a substrate are 55 ºC of temperature, pH of 5.0, and incubation for 40 h. The cellulase activity of the mutant Streptomyces durhamensis GC23 was further optimized to 2-fold of the activity of the wild type by RSM and ANN
Trinta e sete colônias diferentes foram isoladas de toras em decomposição das indústrias têxteis. Dentre estes, uma bactéria do solo filamentosa termotolerante, Gram-positiva, Streptomyces durhamensis vs15, foi selecionada e rastreada quanto à produção de celulase. A cepa mostrou uma formação de zona clara na placa de ágar CMC após a coloração com iodo Gram. Streptomyces durhamensis vs15 foi ainda confirmado para a produção de celulase, estimando os açúcares redutores pelo método do ácido dinitrosalicílico (DNS). A atividade foi aprimorada por mutagênese sequencial usando três mutagênicos de irradiação ultravioleta (UV), N metil-N'-nitro-N-nitrosoguanidina (NTG) e metanossulfonato de etil (EMS). Após a mutagênese, a atividade celulase do GC23 (mutante) foi melhorada para 1,86 vezes em comparação com a cepa selvagem (vs15). As condições ideais para a produção de celulase pela cepa GC 23 foram avaliadas usando a Metodologia de Superfície de Resposta (RSM) e a Rede Neural Artificial (RNA). Os efeitos do pH, temperatura, duração da incubação e concentração de substrato na produção de celulase foram avaliados. As condições ideais para a produção da enzima celulase usando Carboximetilcelulose como substrato são 55 ° C de temperatura, pH de 5,0 e incubação por 40 h. A atividade da celulase do mutante Streptomyces durhamensis GC23 foi ainda otimizada para 2 vezes a atividade do tipo selvagem por RSM e RNA.
Subject(s)
Streptomyces , Carboxymethylcellulose Sodium , Mutagenesis , Neural Networks, ComputerABSTRACT
ABSTRACT Objective: To propose a preliminary artificial intelligence model, based on artificial neural networks, for predicting the risk of nosocomial infection at intensive care units. Methods: An artificial neural network is designed that employs supervised learning. The generation of the datasets was based on data derived from the Japanese Nosocomial Infection Surveillance system. It is studied how the Java Neural Network Simulator learns to categorize these patients to predict their risk of nosocomial infection. The simulations are performed with several backpropagation learning algorithms and with several groups of parameters, comparing their results through the sum of the squared errors and mean errors per pattern. Results: The backpropagation with momentum algorithm showed better performance than the backpropagation algorithm. The performance improved with the xor. README file parameter values compared to the default parameters. There were no failures in the categorization of the patients into their risk of nosocomial infection. Conclusion: While this model is still based on a synthetic dataset, the excellent performance observed with a small number of patterns suggests that using higher numbers of variables and network layers to analyze larger volumes of data can create powerful artificial neural networks, potentially capable of precisely anticipating nosocomial infection at intensive care units. Using a real database during the simulations has the potential to realize the predictive ability of this model.
RESUMO Objetivo: Propor um modelo preliminar de inteligência artificial, baseado em redes neurais artificiais, para previsão do risco de infecção hospitalar em unidades de cuidado intensivo. Métodos: Foi usada uma rede neural artificial, que utiliza aprendizagem supervisionada. A geração dos conjuntos de dados baseia-se em dados derivados do sistema Japanese Nosocomial Infection Surveillance . Estudamos como o Java Neural Network Simulator aprende a categorizar esses pacientes para prever o respectivo risco de infecção hospitalar. As simulações são realizadas com diferentes algoritmos de aprendizagem por retropropagação e diversos grupos de parâmetros, comparando-se os resultados com base na soma dos erros quadráticos e erros médios por padrão. Resultados: O algoritmo de retropropagação com momentum mostrou desempenho superior ao do algoritmo de retropropagação. O desempenho foi melhor com os valores de parâmetros do arquivo xor. README em comparação aos parâmetros default . Não houve falhas na categorização de pacientes quanto ao respectivo risco de infecção hospitalar. Conclusão: Embora esse modelo se baseie em um conjunto de dados sintéticos, o excelente desempenho observado com um pequeno número de padrões sugere que o uso de números maiores de variáveis e camadas de rede para analisar volumes maiores de dados pode criar redes neurais artificiais poderosas, possivelmente capazes de prever com precisão o risco de infecção hospitalar em unidades de cuidado intensivo. O uso de um banco de dados real durante as simulações torna possível a realização da capacidade preditiva desse modelo.
Subject(s)
Humans , Artificial Intelligence , Cross Infection , Neural Networks, Computer , Risk Assessment/methods , Algorithms , APACHE , Intensive Care UnitsABSTRACT
Este artigo propõe a otimização de um sistema de classificação binária utilizado para determinar a natureza(benigno ou maligno) de um tumor. Utilizou-se da técnica de algoritmos genéticos para otimizar a topologia de uma rede neural artificial responsável por resolver o problema de classificação da base de dados Wisconsin Breast Cancer Database (WBCD). A WBCD é uma base de dados pública que agrega informações de tumores de câncer de mama analisados através de FNA (Fine Needle Aspiration). Dos 699 casos descritos na WBCD, o sistema de classificação conseguiu atingir 100% de acerto. O sistema inteligente utilizado no processo de classificação conseguiu atender todos os casos descritos na base de dados. Além disso, o sistema de otimização convergiu para uma solução considerada ótima no espaço de busca proposto.
This paper proposes the optimization of a binary classification system used to determine the nature (benign ormalignant) of a tumor. Genetic algorithms technique was used to optimize the topology of an artificial neural network responsible for solving the classification problem of the Wisconsin Breast Cancer Database (WBCD). The Wisconsin Breast Cancer Database (WBCD), which is a public database that aggregates information about tissues analyzed by FNA. From the 699 cases reported in WBCD, the classification system reached 100% accuracy. The intelligent systemused in the classification processes correctly analyzed all the cases described by the database. Furthermore, the optimization system converged to a solution considered optimal in the search space proposed.
Subject(s)
Humans , Breast Neoplasms/classification , Neural Networks, Computer , Congresses as TopicABSTRACT
In recent years the use of artificial neural networks for classification and analysis of kinematic and kinetic characteristics of human locomotion has greatly increased. This happens in an attempt to overcome the limitations of traditional dynamic analysis and to find new clinical indicators for interpreting quick and objectively the large amount of information obtained in a gait lab. One of the most widely used neural networks for human gait analysis is the self-organizing or Kohonen map, based on unsupervised learning without prior definition of the formed natural groups. Among the advantages of using this type of neural network is the data dimensionality reduction, with minimal loss of information content, and the grouping of them in function of their similarities. Taking into account this, in this work an application case of a Kohonen map for clustering of locomotion kinetic characteristics in normal and Parkinson's disease individuals is presented. The results indicate that the groups identified by the map are consistent with the classification carried out by experts in function of traditional gait dynamic analysis, showing the potential of this technique for distinguishing between a population of individuals with normal gait and with gait disorders of different etiology.
Nos últimos anos, tem aumentado significativamente o uso de redes neurais artificiais para a classificação e análise cinemática e cinética da marcha humana, em uma tentativa de superar as limitações da análise dinâmica tradicional e de encontrar novos indicadores clínicos para interpretar, de forma rápida e objetiva, a grande quantidade de informação obtida em laboratórios de marcha humana. Uma das redes neurais mais utilizadas para análise de marcha é o mapa de Kohonen ou mapa auto-organizado, baseado em aprendizado não supervisionado, sem uma definição prévia de grupos naturais que se formam. O uso deste tipo de rede neural tem mostrado benefícios significativos associados com a redução da dimensionalidade dos dados com mínima perda de conteúdo de informação e com o agrupamento de dados de acordo com suas semelhanças. Neste contexto, este trabalho apresenta um caso de aplicação de um mapa de Kohonen como classificador das características cinéticas da locomoção em indivíduos normais e com doença de Parkinson. Os resultados indicam que os grupos identificados no mapa são consistentes com a classificação feita por especialistas com base em análise dinâmica tradicional, que mostra o potencial desta técnica para diferenciar populações de indivíduos com marcha normal e de indivíduos com distúrbios da marcha de etiologia diferente.
ABSTRACT
INTRODUÇÃO: A malária é uma doença endêmica na Amazônia Legal Brasileira, apresentando riscos diferentes para cada região. O Município de Cantá, no Estado de Roraima, apresentou para todo o período estudado, um dos maiores índices parasitários anuais do Brasil, com valor sempre maior que 50. O presente estudo visa à utilização de uma rede neural artificial para previsão da incidência da malária nesse município, a fim de auxiliar os coordenadores de saúde no planejamento e gestão dos recursos. MÉTODOS: Os dados foram coletados no site do Ministério da Saúde, SIVEP - Malária entre 2003 e 2009. Estruturou-se uma rede neural artificial com três neurônios na camada de entrada, duas camadas intermediárias e uma camada de saída com um neurônio. A função de ativação foi à sigmoide. No treinamento, utilizou-se o método backpropagation, com taxa de aprendizado de 0,05 e momentum 0,01. O critério de parada foi atingir 20.000 ciclos ou uma meta de 0,001. Os dados de 2003 a 2008 foram utilizados para treinamento e validação. Comparam-se os resultados com os de um modelo de regressão logística. RESULTADOS: Os resultados para todos os períodos previstos mostraram-se que as redes neurais artificiais obtiveram um menor erro quadrático médio e erro absoluto quando comparado com o modelo de regressão para o ano de 2009. CONCLUSÕES: A rede neural artificial se mostrou adequada para um sistema de previsão de malária no município estudado, determinando com pequenos erros absolutos os valores preditivos, quando comparados ao modelo de regressão logística e aos valores reais.
INTRODUCTION: Malaria is endemic in the Brazilian Amazon region, with different risks for each region. The City of Cantá, State of Roraima, presented one of the largest annual parasite indices in Brazil for the entire study period, with a value always greater than 50. The present study aimed to use an artificial neural network to predict the incidence of malaria in this city in order to assist health coordinators in planning and managing resources. METHODS: Data were collected on the website of the Ministry of Health, SIVEP - Malaria between 2003 and 2009. An artificial neural network was structured with three neurons in the input layer, two intermediate layers and an output layer with one neuron. A sigmoid activation function was used. In training, the backpropagation method was used, with a learning rate of 0.05 and momentum of 0.01. The stopping criterion was to reach 20,000 cycles or a target of 0.001. The data from 2003 to 2008 were used for training and validation. The results were compared with those from a logistic regression model. RESULTS: The results for all periods provided showed that the artificial neural network had a smaller mean square error and absolute error compared with the regression model for the year 2009. CONCLUSIONS: The artificial neural network proved to be adequate for a malaria forecasting system in the city studied, determining smaller predictive values with absolute errors compared to the logistic regression model and the actual values.
Subject(s)
Humans , Malaria/epidemiology , Neural Networks, Computer , Brazil/epidemiology , Forecasting , Incidence , Logistic Models , Reproducibility of Results , Time FactorsABSTRACT
Fifty Bursa of Fabricius (BF) were examined by conventional optical microscopy and digital images were acquired and processed using Matlab® 6.5 software. The Artificial Neuronal Network (ANN) was generated using Neuroshell® Classifier software and the optical and digital data were compared. The ANN was able to make a comparable classification of digital and optical scores. The use of ANN was able to classify correctly the majority of the follicles, reaching sensibility and specificity of 89 percent and 96 percent, respectively. When the follicles were scored and grouped in a binary fashion the sensibility increased to 90 percent and obtained the maximum value for the specificity of 92 percent. These results demonstrate that the use of digital image analysis and ANN is a useful tool for the pathological classification of the BF lymphoid depletion. In addition it provides objective results that allow measuring the dimension of the error in the diagnosis and classification therefore making comparison between databases feasible.
Cinquenta Bursa de Fabrícius (BF) foram examinadas através de microscopia óptica convencional e imagens digitais foram obtidas e processadas através do software Matlab® 6.5. Redes Neurais Artificiais (ANN) foram geradas com a utilização do software Neuroshell® Classifier, e os dados das análises óptica e digital foram comparados. A ANN classificou corretamente a maioria dos folículos, atingindo sensibilidade e especificidade de 89 por cento e 96 por cento, respectivamente. Quando os folículos foram agrupados de forma binária houve um aumento da sensibilidade para 90 por cento e obteve-se um valor máximo para a especificidade de 92 por cento. Estes resultados demonstram que o uso da análise digital de imagem associada à ANNé uma ferramenta bastante útil para a classificação patológica da depleção linfóide da BF. Além disso, fornece resultados objetivos que permitem medir a dimensão do erro classificatório, tornando possível a comparação entre distintos bancos de dados.
Subject(s)
Animals , Bursa of Fabricius/anatomy & histology , Neural Networks, Computer , Birds , Lymphocyte DepletionABSTRACT
OBJECTIVE: To investigate different fuzzy arithmetical operations to support in the diagnostic of epileptic events and non epileptic events. METHOD: A neuro-fuzzy system was developed using the NEFCLASS (NEuro Fuzzy CLASSIfication) architecture and an artificial neural network with backpropagation learning algorithm (ANNB). RESULTS: The study was composed by 244 patients with a bigger frequency of the feminine sex. The number of right decisions at the test phase, obtained by the NEFCLASS and ANNB was 83.60 percent and 90.16 percent, respectively. The best sensibility result was attained by NEFCLASS (84.90 percent); the best specificity result were attained by ANNB with 95.65 percent. CONCLUSION: The proposed neuro-fuzzy system combined the artificial neural network capabilities in the pattern classifications together with the fuzzy logic qualitative approach, leading to a bigger rate of system success.
OBJETIVO: Investigar diferentes operações aritméticas difusas para auxíliar no diagnóstico de eventos epilépticos e eventos não-epilépticos. MÉTODO: Um sistema neuro-difuso foi desenvolvido utilizando a arquitetura NEFCLASS (NEuro Fuzzy CLASSIfication) e uma rede neural artificial com o algoritmo de aprendizagem backpropagation (RNAB). RESULTADOS: A amostra estudada foi de 244 pacientes com maior freqüência no sexo feminino. O número de decisões corretas na fase de teste, obtidas através do NEFCLASS e RNAB foi de 83,60 por cento e 90,16 por cento, respectivamente. O melhor resultado de sensibilidade foi obtido com o NEFCLASS (84,90 por cento); o melhor resultado de especificidade foi obtido com a RNAB (95,65 por cento). CONCLUSÃO: O sistema neuro-difuso proposto combinou a capacidade das redes neurais artificiais na classificação de padrões juntamente com a abordagem qualitativa da logica difusa, levando a maior taxa de acertos do sistema.