Líneas de Generación y/o Aplicación del Conocimiento

Análisis de bioseñales

Las bioseñales desde una perspectiva biomédica se pueden definir como una forma de energía cuantificable que se transduce en información que explica los fenómenos fisiológicos. Su análisis permite conocer el estado o el funcionamiento de los diferentes órganos o sistemas de un organismo multicelular. La representación gráfica de una bioseñal (grafoelementos) permite conocer la evolución temporal de tales procesos fisiológicos [1].

Estos procesos pueden ser estudiados desde diferentes enfoques, que comprenden desde las bases moleculares de la excitabilidad eléctrica celular hasta el registro de señales más complejas a un nivel de órganos y tejidos producto de la suma algebraica de las corrientes ocurridas a nivel molecular y que pueden ser registradas de forma invasiva o superficial en un sistema biológico. Las bioseñales también pueden incluir variables codificadas desde diferentes tipos de energía como por ejemplo la energía mecánica, química, térmica, magnética, entre otras [2].

El estudio de las bioseñales implica diversos procesos como el acondicionamiento (amplificación, filtrado, etc.), procesamiento (extracción de características, etc.), análisis (clasificación, etc.) y presentación de la información con el objetivo de aportar nuevo conocimiento encaminado a comprender el funcionamiento celular, tisular y de órganos hasta el diagnóstico y el establecimiento de estrategias para emprender un tratamiento adecuado para lograr, en última instancia, mejorar la calidad de vida.

Por otro lado, el estudio de las bioseñales tiene un amplio rango de aplicaciones entre los que podemos citar:

  • El análisis de bioseñales que involucran conectividad cerebral a partir estudios cognitivos [3,4] patológicos [5], de motricidad [6-8] y rehabilitación mediante el uso de las interfaces cerebro-máquina o Brain Computer Interface [9].
  • Transducción de señales celulares, regulación de canales iónicos operados por voltaje [10-12], así como por la modulación de neurotransmisores y fármacos específicos [13].
  • Descripción integrativa de los circuitos neuronales para conocer la organización estocástica de las conexiones y el ruido interno del Sistema Nervioso Central [14,15]. 
  • Rehabilitación farmacológica del sistema nervioso central [16].

Inteligencia computacional

La inteligencia computacional es una subárea de la inteligencia artificial que permite resolver problemas que se caracterizan por ser complejos o presentan cierto grado de incertidumbre o tienen naturaleza estocástica [17]. 

Los métodos de inteligencia computacional permiten el desarrollo de sistemas adaptativos que combinan técnicas de aprendizaje, generalización, abstracción y asociación de información [18]. Muchos de estos métodos se basan en algoritmos heurísticos o bio-inspirados que tratan de la emular procesos de la naturaleza como la inteligencia humana, el comportamiento colectivo o las interacciones estructuradas de otros sistemas vivos que dan lugar a propiedades emergentes [19]. Algunas de las técnicas utilizadas en inteligencia computacional son lógica difusa, redes neuronales artificiales, computación evolutiva, teoría del aprendizaje y métodos probabilísticos [20].

La capacidad de los métodos basados en inteligencia computacional para resolver problemas complejos ha permitido avances significativos en diversas áreas como: aprendizaje automático, procesamiento de lenguaje natural, visión artificial, biomatemáticas, bioinformática, neuroinformática, bioingeniería, entre otras.

Algunos trabajos recientes que muestran los avances de la inteligencia computacional en estas áreas son: uso de métodos basados en agrupamiento automático para el análisis de secuencias de ADN [21]; análisis de bioseñales utilizando métricas de grafos [22,23]; uso de memorias asociativas para desambiguación de sentidos de palabras [24]; análisis de mapeos de secuencias de ADN a señales genómicas [25]; análisis automático de imágenes y datos médicos que permiten encontrar marcadores relacionados con el riesgo de sufrir patologías como las enfermedades cardiovasculares cardiovasculares [26,27], así como cuantificar el efecto de distintos tratamientos y afectaciones en el sistema nervioso [7].


Sistemas en biología

La visión de cualquier entidad biológica (como podría ser un genoma, un organismo, un simbionte, un ecosistema) como una serie de elementos (a su vez biológicos, químicos y físicos) que interactúan entre sí y que a través de esta interacción adquieren una serie de propiedades emergentes, es tan vieja como la biología moderna, que inició a fines del siglo XIX. Esta idea fue rápidamente reforzada con la noción de jerarquías en estos sistemas (p. ej. un organismo está compuesto por células, éstas a su vez por genes). No fue, sin embargo, hasta los años sesenta cuando se acuñó por primera vez la terminología de Sistemas en biología y comenzaron a surgir los primeros modelos matemáticos dinámicos que intentaron explicar fenómenos biológicos complejos. 

Durante la segunda mitad del siglo XX ocurrió una revolución conceptual y tecnológica en la biología, particularmente en lo referente a los genes y el DNA [28]. Esta revolución se vio coronada con el Proyecto del Genoma Humano en 2003, y es que una de las cosas que demostró fue la capacidad de las ciencias de la vida de abordar problemas de gran escala de datos (pues el genoma humano tiene ~3 mil 200 millones de pares de bases, de las cuales se percibía en aquel entonces menos del 1% como información “útil”). Esta idea acabó, por un lado, dando origen a múltiples megaproyectos: 100K Genomas (es decir, secuenciar 100 mil genomas), Microbioma de la Tierra, Genografics, Epigenomic roadmap, etc., y por otro lado, permeó en terminología que surgió a partir del objeto de estudio –genoma–como un área de investigación –genómica–. Por extensión, este sufijo comenzó a emplearse en todas las vertientes posibles en biología: proteómica, epigenómica, microbiómica, interactómica, conectómica venómica, etómica, bibliómica, etc [29]; y dio origen al neologismo ómicas, como aquellas áreas dedicadas al estudio, compilación y estructuración masiva de datos biológicos (ómicos, p. ej. secuencias crudas de DNA y/o lecturas (mapeo) de expresión de genes y proteínas).

En la actualidad, no existe una definición de Sistemas en biología (ni siquiera existe una traducción apropiada al español). Sin embargo, el consenso apunta a la integración, modelado y simulación de datos ómicos, con una perspectiva de sistemas [30]. Su propósito es además de entender y darle sentido al sistema estudiado, también predecir su comportamiento y a través de la manipulación de sus elementos, diseñar y sintetizar (“ingenierizar”) nuevos elementos y sistemas para aplicaciones en medicina y salud, o hasta sistemas más holísticos como la biodiversidad y sustentabilidad, industria y manufactura [31], entre otros. En este sentido, la conceptualización de la interacción compleja de diferentes fenómenos biológicos como elementos formales, establece una buena directriz para la integración de diferentes paradigmas referentes al abordaje de estos.


 

Referencias:

  1. Kaniusas, E. Biomedical signals and sensors I. Springer-Verlag, Heidelberg. ISBN:978-3-642-24843-6; 2012.

  2. Naït-Ali, A (Ed). Advanced biosignal processing. Springer-Verlag, Heidelberg. ISBN:978-3-540-89506-0; 2009.

  3. Gómez-Velázquez, F. R., Vélez-Pérez, H., Espinoza-Valdez, A., Romo-Vazquez, R., Salido-Ruiz, R. A., Ruiz-Stovel, V., ... & Berumen, G. Electrophysiological dynamic brain connectivity during symbolic magnitude comparison in children with different mathematics achievement levels. 2017. NeuroReport, 28(3), 174-178.

  4. González-Garrido, A. A., Gómez-Velázquez, F. R., Salido-Ruiz, R. A., Espinoza-Valdez, A., Vélez-Pérez, H., Romo-Vazquez, R., ... & Berumen, G. The analysis of EEG coherence reflects middle childhood differences in mathematical achievement. Brain and cognition, 124:57-63, 2018.

  5. González-Garrido, A. A., Ruiz-Stovel, V. D., Gómez-Velázquez, F. R., Vélez-Pérez, H., Romo-Vázquez, R., Espinoza-Valdez, A., ... & Campos, L. R. Vibrotactile Discrimination Training Affects Brain Connectivity in Profoundly Deaf Individuals. Frontiers in human neuroscience, 11:28, 2017.

  6. Delgado-Ramírez M, Morán-Zendejas R, Aréchiga-Figueroa IA, Toro-Castillo C, Ramírez-Martínez JF, Rodríguez-Menchaca AA. Modulation of the voltage-gated potassium channel Kv2.1 by the anti-tumor alkylphospholipid perifosine.Pharmacological Reports 68:457–461, 2016.

  7. Osuna-Carrasco LP, López-Ruiz JR, Mendizabal-Ruiz EG, De la Torre-Valdovinos B, Bañuelos-Pineda J, Jiménez-Estrada I, Dueñas-Jiménez SH. Quantitative analysis of hindlimbs locomotion kinematics in spinalized rats treated with Tamoxifen plus treadmill exercise. Neuroscience 333(1):151-61, 2016.

  8. López Ruiz JR, Osuna Carrasco LP, López Valenzuela CL, Franco Rodríguez NE, de la Torre Valdovinos B, Jiménez Estrada I, Dueñas Jiménez JM, Dueñas Jiménez SH. The hippocampus participates in the control of locomotion speed. Neuroscience 311(17):207-15, .2015.

  9. Alonso-Valerdi, L. M., Salido-Ruiz, R. A., & Ramirez-Mendoza, R. A. Motor imagery based brain–computer interfaces: An emerging technology to rehabilitate motor deficits. Neuropsychologia, 79:354-363, 2015.

  10. Delgado-Ramírez M, Morán-Zendejas R, Aréchiga-Figueroa IA, Toro-Castillo C, Ramírez-Martínez JF, Rodríguez-Menchaca AA. Modulation of the voltage-gated potassium channel Kv2.1 by the anti-tumor alkylphospholipid perifosine.Pharmacological Reports 68:457–461, 2016.

  11. Martel-Gallegos G, Rosales-Saavedra MT, Reyes JP, Casas-Pruneda G, Toro- Castillo C, Pérez-Cornejo P, Arreola J. Human neutrophils do not Express purinergic P2X7 receptors. Purinergical signal 6(3):297-306, 2010.

  12. Carmen Toro-Castillo, Ashish Thapliyal, Hector Gonzalez-Ochoa, Brett Adams, and Ulises Meza. Muscarinic modulation of CaV2.3 (R-type) calcium channels is antagonized by RGS3 and RGS3T. Am J Physiol Cell Physiol 292(1):C573-80, 2007.

  13. Canto-Bustos M, Loeza-Alcocer E, Cuellar CA, Osuna P, Elias-Viñas D, Granados-Soto V, Manjarrez E, Felix R, Delgado-Lezama R. Tonically Active α5GABAA Receptors Reduce Motoneuron Excitability and Decrease the Monosynaptic Reflex. Front Cell Neurosci. 19(11):283, 2017.

  14. Cuellar CA, De La Torre Valdovinos B, Huidobro N, Delgado-Lezama R, Ornelas-Kobayashi R, Manjarrez E. The Spinal Neurons Exhibit an ON-OFF and OFF-ON Firing Activity Around the Onset of Fictive Scratching Episodes in the Cat. Front Cell Neurosci.12:68, 2018. doi: 10.3389/fncel.2018.00068

  15. Huidobro N, De la Torre-Valdovinos B, Mendez A, Treviño M, Arias-Carrion O, Chavez F, Gutierrez R, Manjarrez E. Optogenetic noise-photostimulation on the brain increases somatosensory spike firing responses. Neurosci Lett. 664:51-57, 2018. doi: 10.1016/j.neulet.2017.11.004

  16. De la Torre Valdovinos B, Duenas Jimenez JM, Estrada IJ, Banuelos Pineda J, Franco Rodriguez NE, Lopez Ruiz JR, Osuna Carrasco LP, Candanedo Arellano A, Duenas Jimenez SH. Tamoxifen Promotes Axonal Preservation and Gait Locomotion Recovery after Spinal Cord Injury in Cats. J Vet Med. 2016:9561968, 2016. doi: 10.1155/2016/9561968

  17. Siddique, N., & Adeli, H. Computational intelligence: synergies of fuzzy logic, neural networks and evolutionary computing. John Wiley & Sons. UK. ISBN:978-1-118-33784-4, 2013.

  18. Pérez, J. M. Inteligencia computacional inspirada en la vida. Servicio Publicaciones UMA.  Málaga, España. ISBN:978-84-9747-350-7, 2010.

  19. Fogel B, et al. Fundamental of Computational Intelligence. John Wiley & Sons, Inc. New Jersey. ISBN:978-1-1192-1440-3; 2016.

  20. Kruse R, et al. Computational Intelligence. A methodological introduction. Springer-Verlag, London. 2a Edición. ISBN:978-1-4471-7296-3; 2016.

  21. Mendizabal-Ruiz, G., Román-Godínez, I., Torres-Ramos, S., Salido-Ruiz, R. A., Vélez-Pérez, H., & Morales, J. A. Genomic signal processing for DNA sequence clustering. PeerJ, 6:e4264, 2018

  22. Ceballos-Sánchez L. F., Espinoza-Valdez A., Salido-Ruiz R.A., Torres-Ramos S., Quiroz G. & Román-Godínez I. Identificación de estados de movimiento en el EEG utilizando árboles de decisión. Desarrollo Científico en México. (En revisión editorial), 2018

  23. Román-Godínez I., Torres-Ramos S., Salido-Ruiz R.A., Espinoza-Valdez A., & González-Garrido A.A. EEG-based brain connectivity analysis distinguishes children with low math achievements from their schoolmates. International Journal of Psychophysiology. 131:S143-S144, 2018.

  24. Torres-Ramos, S., Román-Godínez, I., & Mendizabal-Ruiz, E. G. An associative method for Lesk-based word sense disambiguation. Revista Signos, 50(94), 2017.

  25. Mendizabal-Ruiz, G., Román-Godínez, I., Torres-Ramos, S., Salido-Ruiz, R. A., & Morales, J. A. On DNA numerical representations for genomic similarity computation. PloS ONE, 12(3):e0173288, 2017.

  26. Mendizabal-Ruiz, E. G., Rivera, M., & Kakadiaris, I. A. Segmentation of the luminal border in intravascular ultrasound B-mode images using a probabilistic approach. Medical image analysis, 17(6):649-670, 2013.

  27. Mendizabal-Ruiz, E., G Papaioannou, T., Vavuranakis, M., Stefanadis, C., Naghavi, M., & A Kakadiaris, I. Analysis of contrast-enhanced intravascular ultrasound images for the assessment of coronary plaque neoangiogenesis: Another step closer to the identification of the vulnerable plaque. Current pharmaceutical design, 18(15):2207-2213, 2012.

  28. *Shendure, J, et al. DNA sequencing at 40: past, present and future. Nature. 2017;550:345-353.

  29. Yadav SP. The Wholeness in Suffix -omics, -omes, and the Word Om. Journal of Biomolecular Techniques : JBT. 2007;18(5):277.

  30. Refojo C (Ed). Biología de sistemas. Reporte de Vigilancia Tecnológica. Genoma España y Universidad Autónoma de Madrid. España; 2007.

  31. Schneider MV (Ed). In silico systems biology. Humana Press, New York. ISBN:978-1-62703-450-0; 2013.