Upstream en Biotecnologia 2021 - Universidad Nacional del Santa - Semana 2

Curva de calibracion de glucosa con DNS�

Porque es necesario obtener curva de calibracion de glucosa-dispositivo
Video 1, Azucares reductores m�todo DNS, tiempo:3.20 minutos
In�[�]:
from IPython.display import HTML
HTML('<iframe allow="autoplay; encrypted-media" allowfullscreen="" frameborder="0"
height="360" src="https://www.youtube.com/embed/ESNZjdBGoUc"
width="640"></iframe>')
Video 2, C�lculo de [Glucosa]- Curva de calibraci�n con DNS, tiempo 8:32 minutos
In�[�]:
from IPython.display import HTML
HTML('<iframe allow="autoplay; encrypted-media" allowfullscreen="" frameborder="0"
height="360" src="https://www.youtube.com/embed/7AC3uYjDi9Q"
width="640"></iframe>')
DETERMINACI�N DE AZ�CARES REDUCTORES�
A.1 METODO DE DNS (Miller 1959).�
A.1.1 Procedimiento:�
1. Agregar 1 mL del sobrenadante obtenido (que contenga 20-200 mg de glucosa en
1000 mL), en tubos con tapa rosca y 1 mL del reactivo de DNS por las paredes del
tubo. Tapar los tubos y agitar.
2. Colocar la mezcla en ebullici�n durante 5 minutos y enfriar r�pidamente en ba�o
de hielo durante 5 minutos.
3. A�adir 10 mL de agua destilada, agitar y dejar en reposo 20 minutos.
4. Leer la absorbancia a 540 nm contra un blanco que contiene agua destilada.
5. La concentraci�n se obtendr� por interpolaci�n de la absorbancia con la curva de
calibraci�n del carbohidrato o de acuerdo de la ecuaci�n de la recta.
6. Expresar el resultado en g/L de glucosa
A.1.2. Soluci�n de DNS (100 mL)�
1. Disolver 1,6 g de NaOH en 50 mL y agregar 30 g de tartrato s�dico pot�sico,
calentar hasta disolverlo.
2. Lentamente adicionar 1.0 g de �cido 3,5 dinitrosalicilico agitando bajo
calentamiento.
3. Aforar a 100 mL con agua destilada. Almacenar a temperatura ambiente en botellas
oscuras. Soluci�n estable por varias semanas
A.1.3. Preparaci�n de curva de calibraci�n de glucosa�
1. Pesar 0,1000 g de glucosa anhidra, disolver y aforar a 50 mL con agua destilada.
2. Colocar al�cuotas de la soluci�n anterior de 0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7,
0,8, 0,9 y 1 mL de la soluci�n anterior. Luego completar a 1 mL con agua destilada.
3. Realizar la determinaci�n de az�cares reductores mediante DNS
4. Elaborar una gr�fica relacionando las absorbancias con las concentraciones y
determinar el rango lineal.
5. Realizar una regresi�n lineal de los datos del �tem anterior, determinar la
ecuaci�n de la recta y el coeficiente de regresi�n.
Llenar la siguiente tabla para azucares reductores por DNS�
TuboSolucion estandar (0.1g en 50 mL) mLAgua destilada (mL)Concentracion (g/L)
Absorbancia (540 nm)101Blanco20.10.90.230.20.80.440.30.70.650.40.60.860.50.51.070.6
0.41.280.70.31.490.80.21.6100.90.11.811102Regresi�n lineal simple�
El objetivo de un modelo de regresi�n es tratar de explicar la relaci�n que existe
entre una variable dependiente (variable respuesta) Y un conjunto de variables
independientes (variables explicativas) X1,..., Xn.
En un modelo de regresi�n lineal simple tratamos de explicar la relaci�n que existe
entre la variable respuesta Y y una �nica variable explicativa X
M�todo de m�nimos cuadrados�
Para hacer una estimaci�n del modelo de regresi�n lineal simple, trataremos de
buscar una recta de la forma: $$ \overline{y} = m \overline{x} + b $$
de modo que se ajuste a la nube de puntos.
Para esto utilizaremos el m�todo de m�nimos cuadrados. Este m�todo consiste en
minimizarla suma de los cuadrados de los errores:
Es decir, la suma de los cuadrados de las diferencias entre los valores reales
observados (yi) y los valores estimados ( �yi ).
Excel: curva-calibraci�n.maltosa.xls�
In�[�]:

In�[�]:
# Jupyter notebook-grafica

In�[�]:
x = [0,0.4,0.6,0.8,1,1.2,1.4,1.6,1.8,2] # x= concentracion de maltosa (g/l)
y = [0,0.1,0.174,0.239,0.266,0.382,0.437,0.515,0.553,0.646] # y= absorbancia 540 nm
print (x)
print (y)

In�[�]:
import matplotlib.pyplot as plt # matplotlib in line
plt.grid(True) # poner grid en la grafica
plt.plot(x,y, color='red', linewidth=0, linestyle='--', marker='s')

plt.xlabel('Concentracion de maltosa, g/L')

plt.ylabel('Absorbancia, 540 nm')
plt.legend('y=Absorbancia')
plt.title('Curva de calibracion de maltosa por DNS')
plt.show()
Haciendo regresion lineal en Jupyter Notebook

(desviaciones tipicas y covarinzas, respectivamente)

Video 3: Regresi�n lineal con Python, tiempo 17.20 min

In�[�]:
from IPython.display import HTML
HTML('<iframe allow="autoplay; encrypted-media" allowfullscreen="" frameborder="0"
height="360" src="https://www.youtube.com/embed/Sv5IJ1AjjSU"
width="640"></iframe>')

In�[�]:
import numpy as np
import matplotlib.pyplot as plt
In�[�]:
%matplotlib inline
%config InlineBackend.figure_format = 'svg'

In�[�]:
n= len(x)
x = np.array(x)
y = np.array(y)
sumx = sum(x)
sumy = sum(y)
sumx2 = sum(x*x)
sumy2 = sum(y*y)
sumxy = sum(x*y)
promx = sumx/n
promy = sumy/n
In�[�]:
m =(sumx*sumy - n*sumxy)/(sumx**2-n*sumx2)
b = promy- m*promx
m, b
In�[�]:
#plt.plot(x,y, 'o', label='Datos')
plt.plot(x,y, 'o',color='blue', label='Datos')
plt.plot(x, m*x + b,"r", linestyle="--",label='Ajuste')
plt.xlabel('Maltosa (g/L)')
plt.ylabel('Absorbancia (540 nm)')
plt.title('Curva de calibracion de maltosa')
plt.grid()
plt.legend(loc=4)
plt.text (1.5, 0.6, "R2=0.99", fontsize=10)
plt.show()

In�[�]:
sigmax=np.sqrt(sumx2/n- promx**2)
sigmay=np.sqrt(sumy2/n- promy**2)
sigmaxy = sumxy/n -promx*promy
R2 = (sigmaxy/(sigmax*sigmay))**2
R2

La librer�a Pandas�
Pandas es una librer�a de Python especializada en el manejo y an�lisis de
estructuras de datos.
Las principales caracter�sticas de esta librer�a son:
* Define nuevas estructuras de datos basadas en los arrays de la librer�a NumPy
pero con nuevas funcionalidades.
* Permite leer y escribir f�cilmente ficheros en formato CSV, Excel y bases de
datos SQL.
* Permite acceder a los datos mediante �ndices o nombres para filas y columnas.
* Ofrece m�todos para reordenar, dividir y combinar conjuntos de datos.
* Permite trabajar con series temporales.
* Realiza todas estas operaciones de manera muy eficiente.

In�[�]:
from IPython.display import HTML
HTML('<iframe allow="autoplay; encrypted-media" allowfullscreen="" frameborder="0"
height="360" src="https://www.youtube.com/embed/8ASjvOIyyl8"
width="640"></iframe>')

Tarea 1�
Adicionar al cuaderno jupyter: https://github.com/fhernanb/Python-para-
estadistica/blob/master/03%20Regression/Regresi%C3%B3n%20lineal
%20simple/simpleLinearRegression.ipynb

Tarea 2: Agregar la jupyter notebook�

https://github.com/dshahid380/Data-analysis-with-pandas

Tarea Opcional�
Realizar regresi�n lineal usando informaci�n de https://www.youtube.com/watch?
v=fVsccB30O_4&t=5s (Python: Gr�ficas, Ajuste de Datos, Lectura de datos (Pandas,
mathplotlib, Numpy, SciPy)), en Jupyter Notebook
Puedes usar datos de https://365datascience.com/tutorials/python-tutorials/linear-
regression/