La inteligencia artificial se encuentra con la ecotoxicología marina: aplicando el aprendizaje profundo a datos bioópticos de diatomeas marinas expuestas a contaminantes heredados y emergentes
Autores: Rodrigues, Nuno M.; Batista, João E.; Mariano, Pedro; Fonseca, Vanessa; Duarte, Bernardo; Silva, Sara
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
La inteligencia artificial se encuentra con la ecotoxicología marina: aplicando el aprendizaje profundo a datos bioópticos de diatomeas marinas expuestas a contaminantes heredados y emergentes
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Biología
Palabras clave
Consecuencias
Productos químicos
Contaminantes
Efectos ecotoxicológicos
Diatomeas
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
En las últimas décadas, el mundo ha experimentado las consecuencias adversas del desarrollo descontrolado de múltiples actividades humanas. En los últimos años, la producción total de productos químicos ha estado compuesta por compuestos perjudiciales para el medio ambiente, la mayoría de los cuales tienen impactos ambientales significativos. Estos contaminantes emergentes (CE) incluyen una amplia gama de productos químicos de origen humano (como pesticidas, cosméticos, productos de cuidado personal y del hogar, fármacos), que son de uso mundial. Entre estos, varios CE han suscitado preocupaciones sobre sus efectos ecotoxicológicos y cómo evaluarlos de manera eficiente. Esto es de particular interés si se consideran las diatomeas marinas como especies objetivo potenciales, debido a su amplia distribución, siendo el grupo de fitoplancton más abundante en los océanos y también responsables de roles ecológicos clave. Los métodos de ecotoxicidad bioóptica aparecen como técnicas de cribado confiables, rápidas y de alto rendimiento, proporcionando grandes conjuntos de datos con relevancia biológica sobre el modo de acción de estos CE en organismos fototróficos, como las diatomeas. Sin embargo, de los grandes conjuntos de datos producidos, normalmente solo se extrae una pequeña cantidad de datos para la evaluación fisiológica, dejando fuera una gran cantidad de información sobre la exposición a los CE. En el presente artículo, utilizamos toda la información disponible y evaluamos la aplicación de varios algoritmos de aprendizaje automático y aprendizaje profundo para predecir la exposición de organismos modelo a diferentes CE bajo diferentes dosis, utilizando una diatomea marina modelo como organismo de prueba. Los resultados muestran que las redes neuronales convolucionales 2D son el mejor método para predecir el tipo de CE al que fueron expuestas las culturas, logrando una precisión mediana del 97.65%, mientras que Rocket es el mejor para predecir a qué concentración fueron sometidas las culturas, logrando una precisión mediana del 100%.
Descripción
En las últimas décadas, el mundo ha experimentado las consecuencias adversas del desarrollo descontrolado de múltiples actividades humanas. En los últimos años, la producción total de productos químicos ha estado compuesta por compuestos perjudiciales para el medio ambiente, la mayoría de los cuales tienen impactos ambientales significativos. Estos contaminantes emergentes (CE) incluyen una amplia gama de productos químicos de origen humano (como pesticidas, cosméticos, productos de cuidado personal y del hogar, fármacos), que son de uso mundial. Entre estos, varios CE han suscitado preocupaciones sobre sus efectos ecotoxicológicos y cómo evaluarlos de manera eficiente. Esto es de particular interés si se consideran las diatomeas marinas como especies objetivo potenciales, debido a su amplia distribución, siendo el grupo de fitoplancton más abundante en los océanos y también responsables de roles ecológicos clave. Los métodos de ecotoxicidad bioóptica aparecen como técnicas de cribado confiables, rápidas y de alto rendimiento, proporcionando grandes conjuntos de datos con relevancia biológica sobre el modo de acción de estos CE en organismos fototróficos, como las diatomeas. Sin embargo, de los grandes conjuntos de datos producidos, normalmente solo se extrae una pequeña cantidad de datos para la evaluación fisiológica, dejando fuera una gran cantidad de información sobre la exposición a los CE. En el presente artículo, utilizamos toda la información disponible y evaluamos la aplicación de varios algoritmos de aprendizaje automático y aprendizaje profundo para predecir la exposición de organismos modelo a diferentes CE bajo diferentes dosis, utilizando una diatomea marina modelo como organismo de prueba. Los resultados muestran que las redes neuronales convolucionales 2D son el mejor método para predecir el tipo de CE al que fueron expuestas las culturas, logrando una precisión mediana del 97.65%, mientras que Rocket es el mejor para predecir a qué concentración fueron sometidas las culturas, logrando una precisión mediana del 100%.