Aprendizaje de máquina y aprendizaje profundo en biotecnología: aplicaciones, impactos y desafíos
| dc.creator | F. Franco, Edian | |
| dc.creator | J. Ramos, Rommel | |
| dc.date | 2019-12-14 | |
| dc.date.accessioned | 2022-01-26T22:47:30Z | |
| dc.date.available | 2022-01-26T22:47:30Z | |
| dc.description | Bioinformatics is an area that has changed how experiments and research in biological sciences are designed and developed. Biotechnology is an area that has not been developed beyond the scope of bioinformatics, impacted areas such as drug discovery and development, crop improvement, bioremediation, studies of environmental diversity, molecular pathology, and other areas within biotechnology directly. Due to the development of the high throughput sequencing technologies or Next-generation sequencing (NGS), a large amount of data is being generated, which needs to be processed and analyzed to generate new knowledge and discoveries. To analyze the amount of data, the fields of machine learning and deep learning from computer science were integrated into bioinformatics. Machine learning applies techniques that allow computers to learn, while deep learning generates models of artificial neural networks that try to mimic the functioning of the human brain allowing them to learn from the data and improve their learning through experiences. These areas are essential to identify, analyze, interpret, and obtain knowledge of a large amount of biological data (Big biological data). In this study, we present a review of these two areas: machine learning and deep learning, impact-oriented, and its applications in the area of biotechnology. | en-US |
| dc.description | La bioinformática es un área que ha modificado la forma en que se diseñan y se desarrollan los experimentos e investigaciones de las áreas biológicas. La biotecnología no ha quedado fuera de los alcances de la bioinformática, impactando directamente áreas como el descubrimiento y el desarrollo de fármacos, mejoramiento de cultivos, biorremediación, estudios de la diversidad ambiental, patología molecular, entre otras. Esto se debe, en gran medida, al desarrollo de las tecnologías de secuenciación de alto rendimiento o Next-generation sequencing (NGS), que han generado gran cantidad de datos que deben ser procesados y analizados para producir nuevos conocimientos y descubrimientos. Lo anterior ha promovido que dos áreas de la bioinformática y la ciencia de la computación, machine learning y deep learning, hayan sido utilizadas para el análisis de estos datos. El “aprendizaje de máquina” aplica técnicas que permiten que las computadoras aprendan, mientras que el “aprendizaje profundo” genera modelos de redes neuronales artificiales que intenta imitar el funcionamiento del cerebro humano, permitiéndoles aprender a partir de los datos y mejorar su aprendizaje a través de las experiencias. Estas dos áreas son esenciales para poder identificar, analizar, interpretar y obtener conocimientos de la gran cantidad de datos biológicos (Big biological data). En este trabajo hacemos una revisión de estas dos áreas: el aprendizaje de máquina y el aprendizaje profundo, orientado al impacto y sus aplicaciones en el área de biotecnología. | es-ES |
| dc.format | application/pdf | |
| dc.format | text/html | |
| dc.identifier | https://revistas.intec.edu.do/index.php/cienacli/article/view/1579 | |
| dc.identifier | 10.22206/cac.2019.v2i2.pp7-26 | |
| dc.identifier.uri | https://repositoriobiblioteca.intec.edu.do/handle/123456789/5567 | |
| dc.language | spa | |
| dc.publisher | Instituto Tecnológico de Santo Domingo (INTEC) | es-ES |
| dc.relation | https://revistas.intec.edu.do/index.php/cienacli/article/view/1579/2173 | |
| dc.relation | https://revistas.intec.edu.do/index.php/cienacli/article/view/1579/2179 | |
| dc.rights | Derechos de autor 2019 Ciencia, Ambiente y Clima | es-ES |
| dc.source | Science, Environment and Climate; Vol. 2 No. 2 (2019): Science, Environment and Climate; 7-26 | en-US |
| dc.source | Ciencia, Ambiente y Clima; Vol. 2 Núm. 2 (2019): Ciencia, Ambiente y Clima; 7-26 | es-ES |
| dc.source | 2636-2333 | |
| dc.source | 2636-2317 | |
| dc.source | 10.22206/cac.2019.v2i2 | |
| dc.subject | machine learning | en-US |
| dc.subject | deep learning | en-US |
| dc.subject | biotechnology | en-US |
| dc.subject | big biological data | en-US |
| dc.subject | bioinformatic | en-US |
| dc.subject | aprendizaje de máquina | es-ES |
| dc.subject | aprendizaje pro-fundo | es-ES |
| dc.subject | biotecnología | es-ES |
| dc.subject | bioinformática | es-ES |
| dc.subject | datos biológicos | es-ES |
| dc.title | Machine learning and deep learning in biotechnology: applications, impacts, and challenges | en-US |
| dc.title | Aprendizaje de máquina y aprendizaje profundo en biotecnología: aplicaciones, impactos y desafíos | es-ES |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
| dc.type | Artículos | es-ES |