Machine Translated by Google

Computación cognitiva (2021) 13: 1–33

https://doi.org/10.1007/s12559-020-09773-x

Aprendizaje profundo en minería de datos biológicos

Mufti Mahmud1,5 · M. Shamim Kaiser2 · T. Martin McGinnity1,3 · Amir Hussain4

Recibido: 1 mayo 2020 / Aceptado: 28 septiembre 2020 / Publicado en línea: 5 de enero de 2021
© El Autor(es) 2020

Resumen
Los avances tecnológicos recientes en las herramientas de adquisición de datos permitieron a los científicos de la vida adquirir datos multimodales
de diferentes dominios de aplicaciones biológicas. Categorizados en tres grandes tipos (es decir, imágenes, señales y secuencias), estos datos son
enormes en cantidad y de naturaleza compleja. La extracción de una cantidad tan enorme de datos para el reconocimiento de patrones es un gran
desafío y requiere técnicas sofisticadas de aprendizaje automático con uso intensivo de datos. Los sistemas de aprendizaje basados en redes
neuronales artificiales son bien conocidos por sus capacidades de reconocimiento de patrones y, últimamente, sus arquitecturas profundas,
conocidas como aprendizaje profundo (DL), se han aplicado con éxito para resolver muchos problemas complejos de reconocimiento de patrones.
Para investigar cómo DL, especialmente sus diferentes arquitecturas, ha contribuido y se ha utilizado en la extracción de datos biológicos
pertenecientes a esos tres tipos, se realizó un metanálisis y los recursos resultantes se analizaron críticamente. Centrándose en el uso de DL para
analizar patrones en datos de diversos dominios biológicos, este trabajo investiga las aplicaciones de diferentes arquitecturas de DL a estos datos.
A esto le sigue una exploración de las fuentes de datos de acceso abierto disponibles pertenecientes a los tres tipos de datos junto con las
herramientas populares de DL de código abierto aplicables a estos datos. Además, se proporcionan investigaciones comparativas de estas
herramientas desde perspectivas cualitativas, cuantitativas y de evaluación comparativa. Finalmente, se describen algunos desafíos de investigación
abiertos en el uso de DL para extraer datos biológicos y se presentan una serie de posibles perspectivas futuras.

Palabras clave Interfaces cerebro-máquina · Bioimágenes · Comparación de rendimiento de aprendizaje profundo · Imágenes médicas · Ómicas ·
Fuentes de datos de acceso abierto · Herramientas de código abierto

Introducción siglos [1]. Esto aceleró el desarrollo de herramientas y tecnologías de

La búsqueda por comprender los comportamientos humanos, así como
las distintas patologías, su diagnóstico precoz y la búsqueda de curas,
ha impulsado la investigación en ciencias de la vida en los dos últimos
M. Mahmud y MS Kaiser son los primeros autores conjuntos.
* Muftí Mahmud
mufti.mahmud@ntu.ac.uk; muftimahmud@gmail.com
* M. Shamim Kaiser
mskaiser@juniv.edu
vanguardia que permiten a los científicos estudiar de manera holística
los sistemas biológicos y profundizar, de una manera sin precedentes,
en los detalles moleculares de los organismos vivos [2, 3]. La creciente
sofisticación tecnológica ha presentado a los científicos nuevas
herramientas para la secuenciación del ADN [4], la expresión génica
[5], la bioimagen [6], la neuroimagen [7] y las interfaces cuerpo/cerebro-
máquina [8].
Estos enfoques innovadores para estudiar los organismos vivos
producen una gran cantidad de datos [9] y crean una situación que a
menudo se conoce como "diluvio de datos" [10]. Dependiendo de la
aplicación y experimentación objetivo, estos macrodatos biológicos

1
pueden caracterizarse por sus características inherentes de ser
Departamento de Ciencias de la Computación, Nottingham Trent
jerárquicos (es decir, datos provenientes de diferentes niveles de un
Universidad, Clifton, NG11 8NS Nottingham, Reino Unido
2
sistema biológico, desde moléculas a células, tejidos y sistemas),
Instituto de Tecnología de la Información, Jahangirnagar
heterogéneos (es decir, datos adquiridos por diferentes métodos de
Universidad, Savar 1342 Dhaka, Bangladesh
3
adquisición, desde la genética hasta la fisiología, desde la patología
Centro de Investigación de Sistemas Inteligentes, Universidad de Ulster,
hasta las imágenes), dinámico (es decir, los datos cambian en función
Irlanda del Norte BT48 7JL Derry, Reino Unido
4
del tiempo) y complejo (es decir, datos que describen procesos
Escuela de Informática, Edimburgo, EH11 4BN Edimburgo,
biológicos no lineales) [11]. Estas características intrínsecas de los
Reino Unido

5
macrodatos biológicos supusieron un enorme desafío para los científicos
Centro de innovación de tecnología médica, Nottingham Trent
de datos a la hora de identificar patrones y analizarlos para inferir significados.
Universidad, NG11 8NS Clifton, Nottingham, Reino Unido

Vol.:(0123456789) 1 3
Machine Translated by Google

2 Computación cognitiva (2021) 13: 1–33

conclusiones de estos datos [12]. Los desafíos han desencadenado
el desarrollo de herramientas de software racionales, confiables,
reutilizables, rigurosas y robustas [11] utilizando métodos basados en
aprendizaje automático (ML) para facilitar el reconocimiento, la
clasifcación y la predicción de patrones en los grandes datos biológicos [13].[15],
]. Hopfeld Networks [16], Boltzmann Machines [17], Restricted
Según cómo un método aprende de los datos, las técnicas de ML
se pueden clasificar en términos generales en supervisadas .
y enfoques no supervisados . En el aprendizaje supervisado , los
objetos de un conjunto se clasifican mediante un conjunto de
anotaciones o atributos o características conocidas, es decir, un grupo supervisado
Classifer. [25], etc.), k-Nearest Neighbors [26], Hid den Markov Model
El algoritmo aprende los patrones a partir de un número limitado de
datos de entrenamiento anotados y luego clasifica los datos de prueba
restantes utilizando el conocimiento adquirido. En cambio, en el
aprendizaje no supervisado , los patrones se definen primero a partir
de un subconjunto de datos desconocidos y luego los datos restantes
se clasifican según los patrones definidos, es decir, un algoritmo no
supervisado primero define los patrones entre los objetos en un grupo.
de datos con anotaciones o atributos o características desconocidos,
y luego utiliza el conocimiento adquirido para clasificar los datos
restantes. Además, existe otra categoría llamada aprendizaje por
refuerzo que está fuera del alcance de este trabajo, pero permite que
un agente mejore su experiencia y conocimiento aprendiendo
iterativamente a través de la interacción con su entorno.
Desde la década de 1950, se han propuesto muchos métodos
pertenecientes a ambos paradigmas de aprendizaje (es decir ,
supervisado y no supervisado) . Los métodos populares en el supervisado
dominio incluyen: ANN [14] y sus variantes (p. ej ., Backpropa gation
Boltzmann Machines [18], Spiking Ne ral Networks [19], etc.), Bayesian
Estadísticas [20], Máquinas de vectores de soporte [21] y otros
clasificadores lineales [22] (p. ej.
Discriminante lineal de Fisher [23], Regressors [24], Naive Bayes
[27] y Decision Trees [28]. Los métodos populares no supervisados
incluyen: codificadores automáticos [29], maximización de expectativas
[30], cuello de botella de información [31], mapas autoorganizados
[32], reglas de asociación [33], agrupamiento jerárquico [34], k-Means
[35], Agrupación difusa [36] y Agrupación basada en la densidad [37,
38] (p. ej., ordenar puntos para identificar la estructura de agrupación
[39]). Muchos de estos métodos se han aplicado con éxito a datos
provenientes de diversas fuentes biológicas.
En aras de la simplicidad, la gran cantidad de datos biológicos
que provienen de los diversos dominios de aplicación se han
categorizado en unos pocos tipos de datos amplios. Estos tipos de
datos incluyen Secuencias (datos generados por tecnologías Omics,
por ejemplo, [gen/transcript/epigen/prote/metabol]omics [40]),

Datos Aprendizaje profundo Aplicaciones

Reconocimiento de actividad humana

Electroencefalograma
Cartografía/ Monitoreo de comportamiento
electromiograma Simple a abstracto
Electrocardiograma caracteristicas
Clasificación estado cognitivo

Actividad individual / multiunidad Detección de anomalías

potenciales de campo

Reconstrucción de imagen
Diagnóstico de enfermedades
AD DBN Segmentación de órganos
Imágenes EM
Detección de anomalías
(f/s) RM
Exploración PET/CT

radiografías Análisis celular

Imágenes de fondo de ojo Clasificación de células/tejidos
Imágenes de Endoscopia Conteo de células
RNN CNN
Diagnóstico de enfermedades

predicción de enfermedades
Gen/ADN/secuencia de ARN
diseño de drogas
La expresion genica
componentes moleculares
modificación genética
Estructura de la proteína Splicing alternativo
Aporte Producción Oculto Visible Núcleo Conv./Grupo
PS interpretación

ALU de control ALU

ALU ALU

Cache

DRACMA DRACMA
DL4J scikit

UPC GPU FPGA ASIC APRENDIZAJE PROFUNDO4J

Hardware Herramientas / Marcos / Bibliotecas

Fig. 1 El ecosistema de análisis de datos moderno que utiliza métodos avanzados [Medical/ Bio]-Imaging y señales de [Brain/ Body]–Machine
de aprendizaje automático con un enfoque específico en la aplicación de DL a la Interfaces) se extraen utilizando DL con arquitecturas adecuadas diseñadas para
minería de datos biológicos. Los datos biológicos provenientes de varias fuentes aplicaciones específicas
(por ejemplo, datos de secuencias de Omics, varias imágenes de

13
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
Imágenes (datos generados por técnicas de imágenes [bio/médicas/clínicas/
salud] que contienen imágenes [sub]celulares y de diagnóstico), y Señales
(señales eléctricas generadas por el cerebro y los músculos y adquiridas usando
sensores apropiados en el [Cerebro] /Cuerpo]–Interfaces de máquina o BMI).
Cada uno de estos tipos de datos que se originan en diversos dominios de
aplicaciones biológicas han sido testigos de importantes contribuciones de los
métodos de ML especificados y sus variantes (ver Secuencias
[41], imágenes [42–44] y señales [45–47]).
En los últimos años, los métodos de DL están remodelando potencialmente
el futuro de ML y AI [48]. Vale la pena mencionar aquí que, desde una perspectiva
más amplia, ML se ha aplicado a una variedad de tareas que incluyen detección
de anomalías [49, 50, 278, 283, 290], minería de datos biológicos [51, 52],
detección de coronavirus [53, 54], detección de enfermedades y manejo de
pacientes [55–57, 277, 279–282, 284, 286, 287, 289, 291], educación [58],
procesamiento del lenguaje natural [59, 285, 288] y predicción de precios [60]. A
pesar de la notable popularidad y aplicabilidad a diversas disciplinas [61], no
existe una revisión exhaustiva que se centre en el reconocimiento de patrones en
datos biológicos y proporcione indicaciones sobre las diversas fuentes de datos
biológicos y herramientas de DL, y el rendimiento de esas herramientas [51].
Además, considerando el ecosistema de análisis de datos moderno que
utiliza técnicas avanzadas de ML (como DL), proporcionar información sobre la
aplicación de métodos solo cubre parcialmente
a b
Fig. 2 Aplicación de diferentes modelos de DL a datos biológicos. a
Nube de palabras generada con palabras clave de autor extraídas de trabajos de
investigación publicados entre enero de 2011 y marzo de 2020 que mencionaron el
análisis de datos biológicos (imágenes, señales y secuencias) utilizando técnicas de DL
e indexados en la base de datos Scopus. Las palabras clave fueron podadas para
resaltar los métodos de análisis. b Distribución de artículos publicados que mencionan
el uso de las 10 técnicas principales. los
3
los componentes de este ecosistema (ver los diversos componentes del
ecosistema en la Fig. 1). Los componentes restantes del ecosistema incluyen
fuentes de datos de acceso abierto y cajas de herramientas y bibliotecas de
código abierto que se utilizan en el desarrollo de métodos individuales. Por lo
tanto, es de suma importancia tener una comprensión completa de la disponibilidad
de conjuntos de datos y sus características, las capacidades y opciones que
ofrecen las bibliotecas, y cómo se comparan entre sí en diferentes entornos de
ejecución, como central
unidad de procesamiento (CPU) y unidad de procesamiento gráfico (GPU).
La novedad del artículo actual radica en que es el primero de su tipo en cubrir de
manera integral el ecosistema completo del análisis de datos moderno utilizando
técnicas avanzadas de ML, es decir, DL.
Por lo tanto, con el objetivo anterior, esta revisión proporciona: una breve
descripción general de los conceptos de DL y sus aplicaciones a varios tipos de
datos biológicos; una lista de repositorios de datos de acceso abierto disponibles
que ofrecen datos para el desarrollo de métodos; y una lista de marcos y
bibliotecas de código abierto existentes que se pueden utilizar para aprovechar el
poder de estas técnicas junto con su comparación relativa y de rendimiento. Hacia
el final, se identifican algunos temas abiertos y se esbozan algunas perspectivas
futuras especulativas.
El resto del artículo está organizado de la siguiente manera: la Sección 2
proporciona una descripción general conceptual e introduce al lector a la teoría
subyacente de DL; Seccion 3
describe las aplicaciones; La Sección 4 enumera los programas de código abierto
3%1%
3%
4%
5%
5%
6%
58%
7%
8%
CNN FCN DA TRL RNN
ANN GAN DNN DBN DBM
los colores de los pasteles individuales coinciden con los colores de la nube de palabras.
Leyenda: CNN: red neuronal convolucional, FCN: red totalmente conectada, DA[E]:
codificador automático profundo, TRL: aprendizaje por transferencia, RNN: red neuronal
recurrente (incluida la memoria a largo plazo o LSTM), ANN: red neuronal artificial ,
GAN: Red adversa generativa, DNN: Red neuronal profunda, DBN: Red de creencias
profundas, DBM: Máquina de Boltzmann profunda
13
Machine Translated by Google
4 Computación cognitiva (2021) 13: 1–33
repositorios de datos; La Sección 5 presenta las populares herramientas DL
de código abierto; y las Secciones 6 y 7 comparan las herramientas más
populares desde una perspectiva relativa y de rendimiento. Sección 8
presenta al lector algunos de los temas abiertos y sugerencias sobre las
perspectivas futuras, y finalmente, el artículo concluye en la Sección 9.
Descripción general del aprendizaje profundo
En DL, las representaciones de datos se aprenden con niveles de abstracción
crecientes, es decir, en cada nivel se aprenden representaciones más
abstractas definiéndolas en términos de representaciones menos abstractas
en niveles inferiores [62]. A través de este proceso de aprendizaje jerárquico,
un sistema puede aprender representaciones complejas directamente de los
datos sin procesar [63].
Aunque se han propuesto muchas arquitecturas DL en la literatura para
diversas aplicaciones, ha habido una preferencia constante por utilizar
variantes particulares para datos biológicos. Como se muestra en la Fig. 2,
los modelos más populares se identificaron como: Deep Neural Network
(DNN), Deep Boltz mann Machine (DBM) y Deep Belief Network (DBN), Deep
Autoencoder (DA), Generative Adversarial Network (GAN) , Red neuronal
recurrente (RNN, incluido LSTM) y Red neuronal convolucional (CNN). Cada
una de las arquitecturas de estos modelos y sus respectivos pros y contras
se enumeran en la Tabla 1. Las siguientes subsecciones presentan cada una
de estas arquitecturas DL utilizadas con mayor frecuencia en la extracción de
datos biológicos.
Red neuronal profunda (DNN)
Un DNN [64] está inspirado en el mecanismo de procesamiento visual
multinivel del cerebro, comenzando con el área cortical 'V1' y luego con el
área 'V2', y así sucesivamente [65]. Imitando esto, la red neuronal artificial
tradicional o NN se amplía con capas ocultas adicionales que contienen
unidades computacionales no lineales en cada una de estas capas ocultas
para aprender un subconjunto de las representaciones dadas. A pesar de su
uso exitoso en una variedad de aplicaciones diferentes, el principal
inconveniente ha sido el proceso de entrenamiento lento y engorroso [66].
[Restringido] Máquinas de Boltzmann ([R]BM)
[R]BM representa distribuciones de probabilidad específcas a través de un
modelo generativo probabilístico no dirigido [67]. Considerado como un
detector de características no lineales, [R]BM se entrena en función de la
optimización de sus parámetros para un conjunto de observaciones dadas
para obtener el mejor ft posible de la distribución de probabilidad a través de
un método de cadena de Markov Monte Carlo conocido como muestreo de
Gibbs [68, 69 ]. Con conexiones simétricas entre unidades posteriores en
múltiples capas ocultas, BM tiene solo una capa visible. El principal
inconveniente de la norma.
13
BM es eso, el proceso de aprendizaje es computacionalmente costoso y
bastante lento. Debido a esto, un BM requiere un largo período para alcanzar
las estadísticas de equilibrio [62]. Sin embargo, esta ineficiencia en el
aprendizaje se puede resolver formando un gráfico bipartito (es decir,
restringiendo para tener una capa oculta y una capa visible)
[67]. Para extender esta arquitectura superficial a una profunda, se apilan
varios RBM como elementos de aprendizaje unitario y esto produce las
siguientes dos arquitecturas DL.
Máquina profunda de Boltzmann (DBM)
DBM [70] es una pila de RBM no dirigidos que admite un mecanismo de
retroalimentación entre las capas para facilitar la inferencia de unidades de
nivel superior para propagarse a unidades de nivel inferior. Esto permite que
una entrada se interprete alternativamente a través de la competencia
concurrente en todos los niveles del modelo.
A pesar de este poderoso mecanismo de inferencia, la estimación de los
parámetros del modelo a partir de los datos sigue siendo un desafío y no
puede resolverse utilizando métodos tradicionales basados en gradientes (p.
ej., divergencia contrastiva persistente [71]) [70]. Aunque este problema de
aprendizaje se supera entrenando previamente cada RBM de forma codiciosa
por capas, con salidas de las variables ocultas de las capas inferiores como
entrada a las capas superiores [67], la complejidad del tiempo sigue siendo
alta y el enfoque puede no ser adecuado para grandes conjuntos de datos de
entrenamiento. [72].
Red de creencias profundas (DBN)
DBN [73], en contraste con DBM, se forma apilando varios RBM juntos de
manera que la capa latente de un RBM está vinculada a la capa visible del
siguiente RBM. Como las dos capas superiores de DBN no están dirigidas,
las conexiones están dirigidas hacia abajo a su capa inferior inmediata [73,
74]. Así, la DBN es un modelo híbrido con las dos primeras capas como
modelo gráfico no dirigido y siendo el resto modelo generativo dirigido. Las
diferentes capas se aprenden de forma codiciosa por capas y se ajustan con
precisión en función de la salida requerida [75]; sin embargo, el procedimiento
de entrenamiento es computacionalmente exigente.
Codificador automático profundo (DA)
DA es una arquitectura DL [76] obtenida apilando una serie de Autoencoders
controlados por datos que son elementos no supervisados. DA también se
conoce como DAE y está diseñado para reducir la dimensión de los datos al
proyectar automáticamente las representaciones entrantes en un espacio de
menor dimensión que el de la entrada. En un Autoencoder, se utilizan
cantidades iguales de unidades en las capas de entrada/salida y menos
unidades en las capas ocultas. Las transformaciones (no) lineales se
incorporan en las unidades de capa oculta para codificar la entrada dada en
dimensiones más pequeñas [77]. A pesar de que requiere una etapa de
preentrenamiento y sufre un error de desaparición, esta arquitectura es
popular por su capacidad de compresión de datos.
Machine Translated by Google

Computación cognitiva (2021) 13: 1–33 5

Tabla 1 Puntos clave y aplicaciones de diferentes arquitecturas de aprendizaje profundo

Arquitectura ventajas Contras.

DNN - DNN puede aprender la representación de - Requiere un volumen sustancial de datos de

características de alto nivel y aplicar el aprendizaje entrenamiento.
de transferencia. - Se requiere una potencia computacional signifcativa.
- Puede ser utilizado para el cuidado de la salud y

reconocimiento visual. - El proceso de aprendizaje es lento.

Aporte Oculto Producción

DBM - Modelo gráfico, enlaces no dirigidos a través de un
conjunto de nodos visibles y un conjunto de nodos
ocultos.
- Utilizado principalmente para reducción de
dimensionalidad y clasificación.
- Alta complejidad de tiempo para interferencias que DBN.
ÿ - La información de aprendizaje no llega a la capa
inferior.
- Tiende a overft.

Oculto Visible

DBN - Fácil de codificar y funciona lo suficientemente bien - Se puede entrenar con avidez, una capa a la vez.
para unas pocas capas.
- Ganancia de alto rendimiento por adición - Distribución posterior difícil de deducir para
ing capas en comparación con el perceptrón configuraciones de causas ocultas.
multicapa.
- Robusto en la clasificación.

Oculto Visible

AD - Aprenda la codificación, reconstrucción y generación - Requiere etapa de preentrenamiento debido a las

de datos al mismo tiempo. posibilidades de error de desaparición.
- El entrenamiento es estable sin datos de etiqueta. - Cada aplicación requiere rediseñar y volver a entrenar
- Variante: DA escasa, sin ruido y contractiva. el modelo.

- El DA es sensible a los errores de entrada.

Aporte Oculto Producción

GAN - El principal beneficio es el aumento de datos. - Difícil de entrenar ya que optimizar la función de
ción pérdida es difícil y requiere mucho ensayo y error.
- GAN realiza un aprendizaje no supervisado.

- GAN aprende distribuciones de densidad de

datos.

Entrada retroalimentada Oculto De entrada y salida

RNN - Puede procesar entradas de cualquier longitud. - La computación es lenta y el entrenamiento puede ser
- RNN puede usar la memoria interna y funciona bien difícil.

para transmitir datos de series temporales. - El procesamiento de secuencias largas es difícil.

- Propenso a problemas como explosión y desaparición
de gradientes.

Aporte Oculto Producción

13
Machine Translated by Google

6 Computación cognitiva (2021) 13: 1–33

Tabla 1 (continuación)

Arquitectura ventajas Contras.

CNN - CNN puede capturar información jerárquica. - Se requiere un gran conjunto de datos etiquetados para el

entrenamiento.
Convolución y Pooling Totalmente conectado
- CNN puede compartir el peso preentrenado - El mecanismo de trabajo de CNN no está claro.
que se requiere para el aprendizaje de
transferencia.
- Requiere menos conexión en comparación con
DNN.

Aporte Producción

Núcleo Conv./Grupo Oculto

Leyenda: DA Deep Autoencoder, DBN Deep Belief Network, RNN Recurrent Neural Network, DNN Deep Neural Network, DBM Deep Boltz mann Machine, CNN Convolutional Neural Network.

y tiene muchas variantes, por ejemplo, codificador automático de eliminación de
ruido [76], codificador automático disperso [78], codificador automático
variacional [79] y codificador automático contractivo [80].
Red adversaria generativa (GAN)
GAN [81] es un modelo generativo efectivo. Los modelos generativos realizan
una tarea de aprendizaje no supervisada, en la que descubren y aprenden
automáticamente los patrones existentes en los datos y luego usan ese
conocimiento para generar nuevos ejemplos del patrón aprendido como si se
hubieran extraído del conjunto de datos original. Usando GAN, el problema se
ve como un problema de aprendizaje supervisado con dos aspectos: (i) el
generador, que genera nuevos ejemplos a medida que se entrenan, y (ii) el
discriminador, que clasifica los ejemplos generados en dos clases (reales o
falsos). Estos modelos generador y discriminador se entrenan juntos en un
juego de suma cero (es decir, de forma contradictoria) de modo que los ejemplos
generados por el modelo generador maximicen la pérdida del modelo
discriminador [82, 83].
Red neuronal convolucional (CNN)
CNN [90] es un modelo NN multicapa [91] que ha ganado popularidad en el
análisis de datos basados en imágenes. Inspirada en la neurobiología de la
corteza visual, la CNN consta de capas convolucionales que contienen un
conjunto de bancos de fltros que se pueden aprender y seguidas de capas
totalmente conectadas. Estos bancos de fltros convolucionan con los datos de
entrada y pasan los resultados a las funciones de activación (p. ej., ReLU,
Sigmoid y Tanh). También existen pasos de submuestreo entre estas capas. La
CNN supera a las DNN, que no escalan bien con datos de entrada
multidimensionales correlacionados localmente. Para abordar el problema de
escalado de las DNN, el enfoque CNN ha tenido bastante éxito en el análisis de
conjuntos de datos con una gran cantidad de nodos y parámetros (por ejemplo,
imágenes). Como las imágenes son 'estacionarias', los fltros de convolución
(CF) pueden aprender fácilmente núcleos controlados por datos. La aplicación
de dicha CF junto con una función de agrupación adecuada reduce las
características que se suministran a la red completamente conectada para
clasificar. Sin embargo, en el caso de grandes conjuntos de datos, incluso esto
puede ser desalentador y puede resolverse utilizando redes escasamente
conectadas. Algunas de las configuraciones populares de CNN incluyen AlexNet
[92], VGGNet [93]

Red neuronal recurrente (RNN)
La arquitectura RNN [84] está diseñada para detectar alineaciones
espaciotemporales en flujos de datos [85]. A diferencia de los NN de
alimentación directa que realizan cálculos unidireccionales desde la entrada
hasta la salida, un RNN calcula la salida del estado actual en función de las
salidas de los estados anteriores. Debido a esta propiedad similar a la 'memoria',
a pesar de los problemas de aprendizaje relacionados con gradientes que se
desvanecen y explotan, RNN ha ganado popularidad en muchos campos
relacionados con la transmisión de datos (por ejemplo, minería de texto, series
temporales, genomas, finanzas, etc.). En los últimos años, también se han
aplicado dos variantes principales, RNN bidireccional (BRNN) [86] y Long Short-
Term Memory (LSTM) [87] [48, 88, 89].
GoogLeNet [94], etc. (consulte la Tabla 2 para obtener una lista completa de las
variaciones de CNN con detalles relevantes).
Aprendizaje profundo y datos biológicos
Se han informado muchos estudios en la literatura que emplean diversas
arquitecturas de DL con conjuntos de parámetros variados y relacionados
(consulte la sección 2) para analizar patrones en datos biológicos. Para la
mayoría de las arquitecturas de DL, como se muestra en la Fig. 3, el número de
publicaciones aumenta constantemente a lo largo de los años. A continuación
se describe un conjunto de estudios representativos seleccionados al azar de la
gran cantidad de literatura informada y se resumen en la Tabla 3. Estos estudios
pertenecen a

13
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
Tabla 2 Puntos clave de diferentes arquitecturas de CNN profundas
Arquitectura Diseño de red
LeNet (1998) LeNet-5 es la primera arquitectura CNN con 2 convolu
cional y 3 capas totalmente conectadas.
Alex Net (2012) AlexNet tiene 8 capas y consta de 5 convolucionales
y 3 capas totalmente conectadas.
VGG-16 (2014) VGG-16 tiene 13 capas convolucionales (y capas de agrupación
máximas) y 2 capas completamente conectadas seguidas de 1 capa
de salida con activación softmax.
Inception-v1 (2014) También conocido como GoogleNet, tiene 22 capas con parámetros (o
27 cuando se incluyen capas de agrupación). Hacia el final,
emplea una agrupación promedio.
Inception-v3 (2015) Inception-v3 tiene 48 capas con varios módulos de inicio (cada uno consta
de capas de agrupación y filtros convolucionales con funciones de
activación), capas de concatenación y capa(s) totalmente
conectada(s) junto con abandono y softmax.
ResNet-50 (2015) ResNet-50 tiene 50 capas con convolucional inicial
y capas de agrupación máxima, y agrupación promedio final y
capas totalmente conectadas. En el medio, hay 3, 4, 6 y 3 bloques
residuales separados en 4 etapas donde cada bloque contiene 3
capas convolucionales.
Xcepción (2016) La arquitectura Xception tiene 36 capas convolucionales que
forman la base de extracción de características de la red. Las
36 capas convolucionales están estructuradas en 14 módulos,
todos los cuales tienen conexiones residuales lineales a su
alrededor, excepto el primero y el último módulo.
Inception-v4 (2016) Inception-v4 consta de dos secciones principales: un extractor de características
y una capa totalmente conectada. El extractor de características
incluye varios bloques convolucionales, como 1 bloque de tallo, 14
bloques de inicio, 2 bloques de reducción y una capa de agrupación.
Los bloques de inicio se dividen en tres categorías, a saber, A, B y
C con 4, 7 y 3 bloques, respectivamente.
Origen-ResNet-v2 (2016) Inception-ResNet-v2 consta de 164 capas con
varios bloques convolucionales que incluyen 1 bloque de tallo, 20
bloques de inicio residual, 2 bloques de reducción y una capa de
agrupación. Los bloques de inicio residuales se dividen en tres
categorías, a saber, A, B y C con 5, 10 y 5 bloques, respectivamente.
ResNeXt-50 (2016) ResNeXt-50 tiene convolucional inicial y máx.
capas de agrupación y agrupación media final y capas totalmente
conectadas. En el medio, hay 3, 4, 6 y 3 bloques residuales
separados en 4 etapas donde cada bloque contiene 3 capas
convolucionales. En comparación con ResNet-50, aumenta la
cantidad de torres paralelas (cardinalidad = 32) dentro de cada
bloque residual.
DenseNet-121 La arquitectura DenseNet incluye 4 bloques densos. Cada capa en
(2016) un bloque denso está conectada con todas las demás capas. Los
bloques densos, que consisten en convolución, agrupación,
normalización por lotes y activación, están separados por capas de
transición.
7
Parámetros Puntos clave
0,06 millones - Feedforward NN.
- La conexión entre capas es escasa para reducir la
complejidad computacional. 60 millones: más profundo que
LeNet y artefactos de alias en los mapas de características aprendidas debido al gran
tamaño del filtro.
138 millones: se puede diseñar una red aproximadamente dos veces más profunda
en comparación con AlexNet.
- Una variante más profunda de VGG-16 es VGG-19.
- Computacionalmente caro y no se puede utilizar con sistemas
de bajos recursos.
5 millones - Utiliza conexiones escasas para superar el problema de
información redundante y omite características irrelevantes
mapas
- Alta precisión con un coste computacional reducido.
- Su topología heterogénea requiere personalización.
23 millones: aumenta la precisión y reduce la complejidad computacional en
comparación con Inception-v1.
- Reduce el cuello de botella representacional.
- Reemplaza fltros de gran tamaño por otros más pequeños.
- Su arquitectura es compleja y carece de homogeneidad.
25,5 millones - Proporciona una velocidad de entrenamiento acelerada.ÿ
león -Reduce el efecto del problema del gradiente de fuga.
- Clasifica imágenes con alta precisión.
22,8 millones: Xception muestra pequeñas ganancias en el rendimiento de
clasificación en el conjunto de datos ImageNet y grandes
ganancias en el conjunto de datos JFT en comparación con
Inception v3.
43 millones - Jerarquías profundas de características, representación de
características multinivel.ÿ - La velocidad de aprendizaje es lenta.
56 millones - Mejora la velocidad de entrenamiento.ÿ - Jerarquías profundas de
características, representación de características multinivel.
25 millones - Tiene topología homogénea. ÿ - Realiza convolución agrupada.
8 millones: introduce profundidad o dimensión entre capas.ÿ: garantiza el máximo
flujo de datos entre las capas de la red. ÿ - Evita el reaprendizaje
de mapas de características redundantes.
13
Machine Translated by Google

8 Computación cognitiva (2021) 13: 1–33

carcinoma neuroendocrino [55, 74, 105]. La versión de doble vía de CNN fue
a Imágenes
utilizada por Kamnitsas et al. segmentar lesiones relacionadas con tumores,
100
lesiones traumáticas y accidentes cerebrovasculares isquémicos [109]. CNN
80
también fue utilizado por Fritscher et al. para la segmentación de volumen
60 [101] y por Cho et al. para encontrar estructuras anatómicas (nódulo pulmonar

40 para clasificar malignidad) [106] a partir de tomografías computarizadas (TC).

Se aplicó DBN en resonancias magnéticas para detectar el trastorno por déficit
20
de atención con hiperactividad [96] y en resonancias magnéticas cardíacas
0 para segmentar el ventrículo izquierdo del corazón [107]. Las GAN han ganado
DNN DBM DBN DA GAN RNN CNN popularidad en la síntesis de imágenes y el aumento de datos para reducir el sobreprecio.

Señales La aplicación de GAN en el aumento de datos y la traducción de imágenes se

b
100 revisó en [143] y el aumento de datos en las tareas de segmentación de CT se
realizó utilizando CycleGAN [144]. Se propuso un marco basado en GAN
80
llamado MedGAN para la traducción médica de imagen a imagen [145]. GAN
60 se utilizó como modelo de predicción de supervivencia para imágenes de

40 tomografía computarizada de tórax de pacientes que sufrían fbrosis pulmonar

idiopática [146, 147]. Halicek también utilizó GAN para sintetizar imágenes
20
hiperespectrales a partir de histología digitalizada de células de cáncer de
0 mama [148].
DNN DBM DBN DA GAN RNN CNN

Secuencias Señales
C
100
Se empleó un DA apilado para detectar emociones a partir de señales de
80
electroencefalografía (EEG) después de extraer características relevantes
60 mediante el análisis de componentes principales (PCA) y reducir el efecto no
40 estacionario mediante la adaptación de cambio de covariable [119]. Se aplicó
DBN para decodificar imágenes motoras mediante la clasificación de la señal
20
EEG [110]. Para un propósito similar, se utilizó CNN con características de
0 patrones espaciales comunes aumentadas [111]. Las señales de EEG también
DNN DBM DBN DA GAN RNN CNN
se clasificaron mediante DA después de extraer características como la
2015 2016 2017 2018 2019 ubicación, la hora y la frecuencia mediante CNN [112]. Li et al. usó DBN para
extraer características latentes de baja dimensión y seleccionar canales críticos

Fig. 3 Tendencias en la publicación que involucran diferentes arquitecturas
de DL de 2015 a 2019 en tres tipos principales de datos: imágenes a, señales
b y secuencias c. El número de artículos se ha normalizado dentro de cada
tipo de datos. Sin embargo, cabe señalar que la proporción del número de
publicaciones que involucran técnicas de DL aplicadas a diferentes tipos de
datos (imágenes, señales y secuencias) es de aproximadamente : 1 1:1.
4 10
para clasificar el estado afectivo usando señales de EEG [114].
Además, Jia et al. usó un aprendizaje activo para entrenar DBN y RBM
generativos para la clasificación [115]. Tripathi et al. utilizó un modelo basado
en DNN y CNN para la clasificación de emociones [116].
CNN se empleó para predecir convulsiones a través de la clasificación de
patrones de sincronización [118]. DBN [123] y CNN [122] se utilizaron para
decodificar la acción de movimiento de la base de datos de NinaPro. los

los tres tipos de datos que hemos considerado en el contexto de este artículo,
es decir, imágenes, señales y secuencias.
Imágenes
La CNN se usó en imágenes histológicas de la mama para encontrar mitosis
[108, 142] y para segmentar estructuras neuronales en imágenes de
microscopio electrónico (EMI) [103]. Havaei et al. utilizó CNN para segmentar
el tumor cerebral a partir de imágenes por resonancia magnética (IRM) [100] y
Hosseini et al. lo usó para el diagnóstico de la enfermedad de Alzheimer (EA)
a partir de resonancias magnéticas [56, 97]. DBM [98] y RBM [99] se utilizaron
para detectar la EA y el deterioro cognitivo leve (DCL) a partir de resonancias
magnéticas y tomografías por emisión de positrones (PET). Nuevamente, se
usó CNN en MRI para detectar
El enfoque posterior también se utilizó en los repositorios MIT-BIH, INCART y
SVDB [122]. Además, el Electrocardiograma (ECG)
Las arritmias se clasificaron utilizando DBN [120, 121] a partir de los datos
proporcionados por la base de datos de arritmias del MIT-BIH. Zhu et al. usó
un modelo GAN con LSTM y CNN para generar señales de ECG con alta
similitud morfológica [149]. Otro modelo GAN, RPSeqGAN, entrenado con
SeqGAN [150] generó datos de ECG arrítmicos con cinco períodos y mostró
una alta estabilidad y calidad de datos [151]. Luo y Lu también utilizan GAN
para el aumento de datos de EEG [152]. Tú et al. [153] y Jiao et al. [154]
utilizaron un modelo basado en GAN para detectar convulsiones mediante
señales de EEG y somnolencia del conductor mediante señales de EEG y
electrooculografía (EOG), respectivamente. Singh et al. propuso un nuevo
marco GAN para eliminar el ruido del ECG [155].

13
Machine Translated by Google

Computación cognitiva (2021) 13: 1–33 9

Tabla 3 Aprendizaje profundo aplicado a datos biológicos

Escribe Datos [base/conjunto] arquitectura DL Tarea

Imágenes CUMPLIR DNN [95] identifcación del trastorno del autismo

Conjunto de datos TDAH-200 DBN [96] Detección de TDAH

Conjunto de datos ADNI CNN [97], DBM [98], DBN [99] Diagnóstico de EA/DCL
Conjunto de datos BRATS CNN [100] Segmentación de patología cerebral
Conjunto de datos de TC CNN [101] Segmentación rápida de imágenes médicas en 3D

CONDUCIR, STARE conjuntos de datos [ 102 ] Segmentación de los vasos sanguíneos de la retina

Conjunto de datos de desafío de segmentación de EM CNN [103] Segmento de membranas neuronales

LSTM [104] Segmentación de imágenes volumétricas biomédicas

Conjunto de datos IBSR, LPBA40 y OASIS CNN [105] Pelar el cráneo

Conjunto de datos LIDC-IDRI CNN [106] Clasifcación de malignidad de nódulos pulmonares
Conjunto de datos MICCAI 2009 LV DBN [107] Segmentación del VI del corazón
Conjunto de datos MITOS CNN [108] Detección de mitosis en cáncer de mama

Conjunto de datos PACS CNN [106] Clasificación de imágenes médicas

Conjunto de datos de TBI CNN [109] Segmentación de lesiones cerebrales

Señales Concurso BCI IV DBN [110], CNN [111–113] Decodificación de acción de movimiento

Conjunto de datos DEAP DBN [114, 115] Reconocimiento del estado afectivo

CNN [116] Clasificación de emociones

DESCAFEINADO [ 117 ]

Conjunto de datos de Friburgo CNN [118] predicción de convulsiones

MAHNOB-HCI AD [119] Reconocimiento de emociones

Base de datos de arritmias del MIT-BIH DBN [120, 121] Clasifcación de arritmias por ECG

MIT-BIH, INCART y SVDB CNN [122] Decodificación de movimiento

Base de datos NinaPro DBN [123], CNN [122] Decodificación de acción de movimiento

Secuencias CullPDB, CB513, conjuntos de datos CASP, CAMEO CNN [124] predicción de 2ps
SUEÑO CNN [125] Predicción de secuencias de ADN/ARN

DNI [126] Predecir una combinación de fármacos eficaz

Base de datos ENCODE CNN [127, 128] Identificación de expresión génica
Conjunto de datos ENCODE DGF CNN [129] Predecir la variante no codificante del gen
Base de datos GEO [ 130 ] Aumento de datos de expresión génica
Conjuntos de datos GWH y UCSC DBN [131] Predicción de uniones de empalme
Base de datos JASPAR y ENCODE CNN [132] Predicción de la proteína de unión al ADN
miRBoost RNN [133] Predicción de micro-ARN

Repositorio de datos de emparejamiento de miARN-ARNm LSTM [134] predicción de objetivos de micro-ARN

Banco de datos de proteínas (PDB) AD [135] Reconstrucción de la estructura de proteínas

SRBCT, tumor de próstata y MLL GE sbv IMPROVER DBN [136] Selección de características de genes/miARN

DBN [137] Enfermedades humanas y desarrollo de fármacos

base de datos TCGA AD [138] Detección de cáncer e identificación de genes

DBM [139]

DNN [140] Estimación de combinación de fármacos

UCSC, datos CGHV, base de datos SPIDEX CNN [141] Identificación de variantes genéticas

Secuencias [135]. Lee et al. aplicó un método no supervisado basado en DBN para
realizar la autopredicción de la unión de empalme en el nivel de ácido
El DA de eliminación de ruido apilado se ha utilizado para extraer bonucleico desoxirribonucleico (ADN) [131]. Combinando DBN con
características para el diagnóstico y la clasifcación del cáncer junto con aprendizaje activo, Ibrahim et al. ideó un método para seleccionar
la identifcación de genes relacionados a partir de datos de expresión grupos de características a partir de genes o ácidos microribonucleicos
génica (GE) [138]. GAN también se usó para identificar patrones de (miR NA) en función de los perfiles de expresión [136]. Para la
expresión a partir de datos de GE [156]. Se usó un modelo de investigación traslacional, Chen et al. utilizaron DBN bimodales. para
predecir las respuestas de las células humanas utilizando organismos modelo [137]. Sa
aprendizaje DA basado en plantillas para reconstruir las estructuras de proteínas

13
Machine Translated by Google
10
et al. aplicó un modelo híbrido CNN-DBN en los ARN para la predicción de los
sitios y motivos de interacción de la proteína de unión al ARN (RBP) [157], y
Alipanahi et al. utilizó CNN para predecir las especificidades de secuencia de [D/
R]BP [125]. Denas y Taylor utilizaron CNN para preprocesar los datos generados
a partir de la inmunoprecipitación de cromatina seguida de la secuenciación
(ChIP-seq) y crearon perfiles de actividad del factor de transcripción de genes
[127].
CNN fue utilizado por Kelley et al. para predecir la accesibilidad de la secuencia
de ADN [128], por Zeng et al. para predecir la PAD [132], de Zhou et al. [129] y
Huang y otros[141] para encontrar la variación del gen no codificante, y por Wang
et al. para predecir la estructura de la proteína secundaria (2ps) [124]. Parque et
al. utilizó LSTM para predecir el precursor de miARN [133] y Lee et al. [134] lo
utilizó para predecir los objetivos de los precursores de miARN. GAN fue utilizado
por Marouf et al. para la generación realista de datos de RNA-seq de una sola
célula [130], por Jiang et al. para predecir el gen de la enfermedad a partir de
datos de RNA-seq [158], por Zhao et al. como un procedimiento semi-supervisado
para predecir la unión a la diana del fármaco [159], y por Wang et al. para
identificar patrones de expresión a partir de datos de GE [156].
Fuentes de datos biológicos de acceso abierto
Las iniciativas de intercambio de datos han facilitado en gran medida la
reproducción de resultados científicos, informados como datos cuantitativos
procesados estadísticamente o datos cualitativos representativos cuidadosamente
seleccionados [160]. En las últimas décadas, muchos repositorios de datos de
acceso abierto se han puesto a disposición para este propósito [161]. De hecho,
muchos patrocinadores de investigación y revistas ahora requieren que los datos
utilizados para los estudios estén disponibles abiertamente para su verificación.
Para facilitar el desarrollo de métodos, aquí enumeramos los repositorios de
datos de acceso abierto líderes y populares relacionados con los datos de
Secuencias, Imágenes y Señales que se resumen en las Tablas 4, 5 y 6,
respectivamente.
Imágenes
La Tabla 4 enumera las principales fuentes de datos de acceso abierto, incluidas
las bases de datos y los conjuntos de datos individuales que brindan acceso a
los datos relacionados con la investigación de imágenes biológicas. En aras de
la simplicidad, estas fuentes se han agrupado en cuatro amplias áreas de
aplicación: procesamiento y análisis de imágenes [biomédicas], detección y
diagnóstico de enfermedades, procesamiento y análisis de neuroimágenes y
segmentación, que se describen brevemente a continuación.
Procesamiento y análisis de imágenes biomédicas
La colección Cell Centered Database (CCDB) [162] proporciona reconstrucciones
de células y estructuras subcelulares con microscopía de luz y electrónica en 3-
D de alta resolución.
También contiene [2/3/4] proteína de distribución y estructura D
13
Computación cognitiva (2021) 13: 1–33
información de un número de diferentes sistemas de adquisición de imágenes
microscópicas.
Otra biblioteca de imágenes, llamada Cell Image Library (CIL) [163], presenta
más de 10ÿ000 conjuntos de datos únicos y 20 TB de imágenes, videos y datos
de animaciones. Estos datos pertenecen a una amplia diversidad de organismos,
tipos de células y procesos celulares.
La base de datos Euro Bioimaging [164] proporciona datos de imágenes
biológicas y biomédicas con el fin de facilitar la colaboración entre diferentes
partes interesadas, incluidos científicos, la industria y las autoridades nacionales
y europeas. Su misión es brindar acceso y servicios a técnicas de imagen y datos
de bioimagen de última generación para científicos en Europa y más allá.
Euro Bioimaging también incluye herramientas de análisis de imágenes.
La HAPS es una base de datos de imágenes histológicas [165] que contiene
fotografías de resolución media/alta de imágenes microscópicas de células y
tejidos humanos que no tienen ningún derecho de autor. Otra base de datos de
imágenes, Image Data Resource (IDR) [166], contiene conjuntos de datos
individuales de imágenes celulares y de tejidos. Varias categorías de imágenes
incluyen imágenes de lapso de tiempo, estudios de localización de proteínas,
imágenes de patología digital, estudio de levadura, detección de alto contenido
humano, etc. También es una API pública que facilita la visualización, el análisis
y el intercambio de datos de imágenes multi-D para biología celular. .
El repositorio de imágenes médicas SICAS (SMIR) es un repositorio de
imágenes para fines de investigación médica. Dos de sus colecciones destacadas
incluyen tomografía computarizada de cuerpo completo post mortem [167] de 50
sujetos anonimizados de diferentes grupos de edad y género, y modelos de
tomografía computarizada, micro tomografía computarizada, segmentación y
forma de la cóclea [183].
El Cancer Imaging Archive (TCIA) [168] contiene imágenes de TC, RM y
medicina nuclear (p. ej., PET) para diagnóstico clínico, biomarcadores e
investigaciones interdisciplinarias. Stanford Tissue Microarray Database (TMA)
[169] es una fuente de imágenes de tejidos microscópicos anotados y datos de
expresión asociados. Los datos se pueden utilizar para estudiar biología celular.
El conjunto de datos de referencia de biosegmentación de UCSB [170] contiene
imágenes celulares, subcelulares y de tejido en 2/3-D. Estos conjuntos de datos
se pueden utilizar para tareas de segmentación y clasificación.
Detección y diagnóstico de enfermedades
Se ha adquirido una gran cantidad de datos de imágenes de pacientes con
trastornos neurológicos. La base de datos de Autism Brain Imaging Data
Exchange (ABIDE) [171] incluye conjuntos de datos de imágenes cerebrales de
autismo para estudiar el trastorno del espectro autista. El otro conjunto de datos
pertenece al trastorno por déficit de atención con hiperactividad (TDAH) [172] e
incluye 776 conjuntos de datos anatómicos y de IRMf en estado de reposo que
se fusionan en los 8 sitios de imágenes independientes. La información fenotípica
incluye edad, sexo, estado de diagnóstico, síntoma de TDAH medido, cociente
de inteligencia y medicación.
Machine Translated by Google

Computación cognitiva (2021) 13: 1–33 11

Tabla 4 Categorización según la aplicación de repositorios de datos de acceso abierto y conjuntos de datos pertenecientes a imágenes [bio/médicas/sanitarias/clínicas]

Solicitud Nombre Descripción Árbitro.

Procesamiento y análisis de imágenes biomédicas CCDB Imágenes de microscopio electrónico y de luz 2/3/4-D de alta resolución. Conjuntos de [162]
CIL datos de imágenes celulares y aplicación de biblioteca celular. [163]

Bioimagen europea Datos de imágenes biológicas y biomédicas Imagen [164]

HAPS microscópica de células y tejidos humanos Visualización, análisis [165]
IDR y uso compartido de datos de imágenes multi-D Tomografías computarizadas [166]
Sonríe post mortem de todo el cuerpo Imágenes de tomografía computarizada, [167]
TCIA resonancia magnética y PET de pacientes con cáncer Imágenes de tejido [168]
TMA microscópico de seres humanos 2D/ Imágenes 3D celulares, subcelulares [169]

UCSB BioSeg y de tejidos Conjuntos de datos de imágenes del cerebro del autismo [170]

Detección y diagnóstico de enfermedades. CUMPLIR Conjuntos de datos anatómicos/fMRI fusionados en los 8 sitios de imágenes [171]
TDAH-200 MCI, EA temprana y datos de diagnóstico de sujetos de control de edad [172]
ADNI avanzada Datos de mamografías multimodales y ecografías Radiografías de tórax [173]
BCDR para neumonía Imágenes histológicas de cáncer de mama Lupus , cerebro, [174]

Kaggle CXRayP resonancias magnéticas de próstata Casos de COVID-19 con imágenes de rayos [175]
MITOS X/CT de tórax Conjuntos de datos de resonancia magnética funcional y plataforma [176]
NAMIC de síntesis Imágenes de rayos X de tórax etiquetadas con diagnósticos Conjuntos [177]

nCOV-CXray de datos de resonancia magnética y plataforma de gestión de datos XNAT [178]

neurosynth Modalidades de imagen y datos de enfermedades cerebrales CT de huesos [179]

NIH temporales humanos proporciona datos de neuroimagen y software de kit de [180]
OASIS herramientas Mapas de regiones cerebrales y un conjunto de API de resonancia [181]

NI abierto magnética de cabeza completa para recopilar y compartir mapas estadísticos de [182]
Sonríe resonancia magnética cerebral, PET, S PECT, CT, MEG/EEG e imágenes ópticas [183]

Procesamiento y análisis de neuroimagen IXI [184]

LPBA40 [185]

NeuroVault.org [186]
NITRC [187]

OpenfMRI Conjuntos de datos de MRI y EEG multimodales [188]

Servicio de datos del Reino Unido conjunto de datos de IRMf [189]

Segmentación CONDUCIR Imágenes retinales digitales paciente diabético [190]

IBSR Resultados de segmentación de datos de resonancia magnética [191]
MIRAR FIJAMENTE
El conjunto de datos contiene imágenes retinianas crudas/etiquetadas [192]

Leyenda: CXRayP Neumonía de rayos X de tórax , JHDTI Imágenes de tensor de difusión Johns Hopkins

estado. La clasificación diagnóstica basada en imágenes es el objetivo principal
del conjunto de datos ADHD 200. La ADNI (Iniciativa de neuroimagen de la
enfermedad de Alzheimer [173]) es una base de datos popular y contiene
conjuntos de datos de neuroimagen de enfermedades neurodegenerativas, en
particular, EA, MCI, EA temprana y tardía y sujetos de control de edad
avanzada. Los conjuntos de datos que ofrece este repositorio se dedican
enfermedad. Por otro lado, el conjunto de datos Open Neuroimaging (Open
NI) [182] contiene modalidades de imágenes y datos de enfermedades
cerebrales que se pueden utilizar para estudiar el sistema de apoyo a la toma
de decisiones para la identificación de enfermedades.
La reciente enfermedad del nuevo coronavirus o pandemia de COVID-19
ha atraído a varios investigadores a centrar sus

principalmente al desarrollo de métodos novedosos para enfermedades
relacionadas con la EA. Otro enfoque de conjunto de datos
ing en AD es el conjunto de datos de Open Access Series of Imaging Studies
(OASIS) [181] . Contiene conjuntos de datos de resonancia magnética y una
plataforma de gestión de datos de código abierto (XNAT) para estudiar y
analizar la EA. Neurosynth [179] es otra base de datos más que incluye
literatura de fMRI (con algunos conjuntos de datos) y una plataforma de
síntesis para estudiar la estructura, funciones y
atención en la detección de la nueva enfermedad por coronavirus.
Los NIH [180]
La base de datos de rayos X de tórax nCOV [178] contiene casos de
COVID-19 con imágenes de rayos X/TC de tórax. Los datos se pueden utilizar
para identificar la neumonía bacteriana frente a la viral frente a la COVID-19.
Kaggle aloja conjuntos de datos similares de rayos X de tórax [175] , que
incluyen datos de escaneos de rayos X de tórax para detectar neumonía viral
y bacteriana tradicional.

13
Machine Translated by Google

12 Computación cognitiva (2021) 13: 1–33

Tabla 5 Categorización según la aplicación de repositorios de datos de acceso abierto y conjuntos de datos relacionados con señales biológicas

Solicitud Nombre Descripción Árbitro.

Detección de anomalías SAD mc-EEG Datos de EEG multicanal para tareas de conducción de atención sostenida [193]

Cuerpo EEG TUH Repositorio de conjuntos de datos, herramientas y documentos de EEG [194]
MIT-BIH-ARH Base de datos de ECG que contiene 48 registros [195]
PTB D-ECG Base de datos de ECG que contiene 549 registros [196]
TELEECG 250 registros de ECG con QRS anotados y máscaras de artefactos [197]

Interfaz hombre-máquina BNCI Varios conjuntos de datos de señales de IMC [198]

Representante de datos de EMG Varios conjuntos de datos EMG [199]

SEMG facial Contiene datos EMG de 15 participantes [200]
Base de datos NinaPro Datos cinemáticos y sEMG de 27 sujetos [201]
Detección de emociones/estados afectivos PROFUNDO Datos EMG/EEG registrados simultáneamente [202]
DESCAFEINADO MEG, hEOG, ECG, EMG del músculo trapecio, datos de video faciales [203]

Imaginar Conjuntos de datos de EEG de 31 sujetos mientras escuchan la voz [204]

MAHNOB-HCI Datos de EMG, ECG y respiración y temperatura de la piel [205]
SEMILLA Conjunto de datos de EEG para la emoción y la vigilancia [206]

Clasificación de imágenes motoras EEG-BCI-MI Señales de EEG de 13 sujetos con 60 000 ejemplos de MI [207]
EEG-MI-BCI Datos de EEG de BCI para tareas de MI [208]
EEG-MMI Datos de EEG de PhysioNet para la tarea MI [209]

Evaluación de la condición neurológica V-P300 BCI EEG seco de 16 electrodos de 71 sujetos (modo SP) EEG [210]

húmedo de 32 electrodos de 50 sujetos (modo SP) EEG húmedo [211]

de 32 electrodos de 38 sujetos (modo MPC) EEG húmedo de 32 [212]

electrodos de 44 sujetos (modo MPCC) [213]

Procesamiento y clasificación de señales competencia BCI Datos de EEG, ECoG y MEG de una variedad de aplicaciones BCI Conjunto de [214]

Desafío BCI-NER datos de EEG de 56 canales decodificados por un deletreador P300 [215]
DRÍADA Conjuntos de datos de EEG de 13 sujetos registrados en diversas condiciones [216]

FisioNet Varios conjuntos de datos de EEG, ECG, EMG y sEMG [217]

UCI ML Varios conjuntos de datos de ECG, EMG, sEMG [218]

Leyenda: imágenes de motor MI , imágenes /movimiento de motor MMI , potenciales relacionados con eventos ERP , EEG multicanal de conducción de atención sostenida SADmc- EEG, V-
P300 Visual P300, jugador individual SP , multijugador MP , BCI-SSVEP Potenciales evocados visuales de estado estacionario , EMG DataRep EMG
Repositorio de conjuntos de datos, arritmia ARH , ECG de diagnóstico D- ECG

El cáncer de mama es también otra enfermedad importante que puede
tratarse a través de imágenes y esto ha atraído a una serie de bases de
datos que albergan imágenes de cáncer de mama.
La base de datos del repositorio digital de cáncer de mama (BCDR) [174]
contiene mamografías multimodales y ecografías y datos del historial de
pacientes recopilados de 1734 pacientes anonimizados. Los datos se pueden
utilizar para la detección de enfermedades y métodos de diagnóstico. Otro
conjunto de datos, MITOS [176], contiene imágenes histológicas de cáncer
de mama (portaobjetos teñidos con hematoxilina y eosina). La detección de
la mitosis y la evaluación de la atipia nuclear son usos clave.
Procesamiento y Análisis de Neuroimagen
El conjunto de datos Information eXtraction from Images (IXI) [184]
proporciona 600 imágenes de resonancia magnética de sujetos sanos para
estudiar las funciones cerebrales. Estas imágenes se guardaron en formato
de archivo NIFTI y se adquirieron utilizando el protocolo: T1, T2, imágenes
ponderadas por densidad de protones; imágenes de angiografía por resonancia magnética;
ponderada en T1 preparada con adquisición rápida con eco de gradiente (MPRAGE)
e imágenes ponderadas por difusión. Estas imágenes se han recopilado de
tres hospitales diferentes en Londres, Reino Unido.
Otra base de datos, llamada Loni Probabilistic Brain Atlas (LPBA40) [185],
contiene mapas de las regiones anatómicas del cerebro de 40 voluntarios
humanos. Cada mapa genera un conjunto de resonancias magnéticas de
cabeza completa, mientras que cada resonancia magnética describe para
identificar 56 estructuras del cerebro, la mayoría de ellas se encuentra en la
corteza. El estudio de los volúmenes de resonancia magnética de cráneo y
la clasificación de los mapas probabilísticos de resonancia magnética espacial
nativa son usos clave de LPBA40. NeuroVault.org [186] es un repositorio
basado en la web (API) para recopilar y compartir mapas estadísticos del
cerebro humano para estudiar las regiones del cerebro humano. La cámara
de compensación de recursos y herramientas informáticas de neuroimagen
(NITRC) [187] proporciona una variedad de datos de imágenes, desde MRI
hasta PET, SPECT, CT, MEG/EEG e imágenes ópticas para analizar
neuroimágenes funcionales y estructurales. El conjunto de datos de Open
fMRI [188] contiene imágenes de resonancia magnética adquiridas mediante
diferentes modalidades, incluida la magnetización ponderada por difusión y

13
Machine Translated by Google

Computación cognitiva (2021) 13: 1–33 13

Tabla 6 Categorización por aplicación de repositorios de datos de acceso abierto y conjuntos de datos pertenecientes a datos Omics

Solicitud Nombre Descripción Árbitro.

Análisis de bioensayos y diseño de fármacos. COVID-19 Conjuntos de datos de secuencias de genes, vías y bioensayos de COVID-19 [220]
PubChem Contiene estructuras compuestas, conjuntos de datos moleculares y herramientas. [221]

Análisis de trastornos genéticos Cáncer GeEx Diferentes conjuntos de datos del genoma del cáncer [222]
IGDD Datos de mutaciones en enfermedades genéticas comunes [223]
TCGA Contiene datos del genoma del cáncer. [224]
BDTNP Expresión génica 3D, datos de unión al ADN y ChAcD [225]
Investigación de ácidos nucleicos CODIFICAR Conjunto de datos del genoma humano [226]
ESP Contiene datos de secuenciación [227]
GEO Contiene expresión génica de alto rendimiento y genómica funcional [228]
conjuntos de datos

gnomAD Datos de secuenciación de genomas y exomas a gran escala [229]

GTEx Conjuntos de datos de expresión génica [230]
Armonizoma Colección de conjuntos de datos de genes y proteínas [231]
INSDC Contiene datos de secuencia de nucleótidos. [232]
IGSR Datos del genoma de varias etnias, edad y sexo. [233]
JASPAR Conjunto de datos de preferencias de unión al ADN del factor de transcripción [234]
NIHREM Conjuntos de datos del genoma humano [235]
NDS Incluye datos ómicos y de ciencias de la salud [236]

SysGenSim Herramientas bioinformáticas y conjunto de datos de secuencias de genes [237]

Análisis de estructura de proteínas AP Datos de proteínas, ácidos nucleicos y ensamblajes complejos [238]
SCOP2 Contiene clasificación estructural de proteínas. [239]
Alcance [240]
MB UCI 2ps y secuencias de genes de unión de empalme [241]

Estudio de vías de transducción de señales Naturaleza del NCI Interacciones moleculares y reacciones de las células. [242]
ruta de red Vías de transducción de señales en humanos [243]
reactoma Base de datos de reacciones, vías y procesos biológicos [244]

ómicas unicelulares miRBoost Los genomas de eucariotas que contienen al menos 100 miRNAs [245]
USD Proporciona datos biológicos para la levadura en ciernes y una herramienta de análisis. [246]

MRI y MRI multieco rápida de ángulo bajo (FLASH). También contiene conjuntos
de datos de bioseñales para estudiar las regiones del cerebro y sus funciones.
Estos se pueden usar como un conjunto de datos de referencia para diferenciar
el resultado de varias herramientas de análisis de neuroimagen. El servicio de
datos del Reino Unido [189] contiene conjuntos de datos T1/2, imágenes de
tensor de difusión y fMRI de 22 pacientes que padecen tumores cerebrales que
pueden ser útiles para estudiar la planificación quirúrgica de tumores cerebrales.
Segmentación
El Análisis Estructurado de la Retina (STARE) se inició en 1975. El proyecto
contiene conjuntos de datos de 400 imágenes retinales sin procesar, 10 imágenes
etiquetadas de arteria/vena y 80 imágenes con datos reales. Cada imagen está
anotada y el experto muestra las características en la imagen. El conjunto de
datos se puede utilizar para la segmentación de vasos sanguíneos y la detección
del nervio óptico.
El repositorio de segmentación cerebral de Internet (IBSR) brinda resultados
de segmentación de datos de MRI. El desarrollo de métodos de segmentación es
la principal aplicación de este IBSR.

La segmentación es un paso importante en cualquier tubería de procesamiento Señales

de imágenes. Muchos conjuntos de datos mencionados anteriormente se pueden
utilizar con fines de segmentación.
Centrándose en las enfermedades oculares, Digital Retinal Images for Vessel
Extraction (DRIVE) contiene imágenes retinales comprimidas en formato JPEG
de 400 pacientes diabéticos de entre 25 y 90 años. Este conjunto de datos se
puede utilizar para comprender la segmentación de los vasos sanguíneos en las
imágenes de la retina e identificar la retinopatía diabética. Otro conjunto de datos
La Tabla 5 enumera los principales repositorios y conjuntos de datos de acceso
abierto (también conocidos como fuentes de datos) relacionados con las señales
biológicas. Estas fuentes se asignan ampliamente a seis áreas de aplicación:
detección de anomalías, interfaz hombre-máquina que incluye la interfaz cerebro-
máquina, así como investigación de rehabilitación, detección de emociones/
estados afectivos, clasificación de imágenes motoras, condición neurológica.

llamado

13
Machine Translated by Google
14
evaluación y procesamiento y clasificación de señales, que se describen en las
siguientes subsecciones.
Detección de anomalías
La detección de anomalías es una de las principales áreas de aplicación en las que
los científicos han dedicado muchos esfuerzos. En este proceso, se han utilizado
con frecuencia varias fuentes de datos de acceso abierto, que en gran parte
contienen datos de EEG y ECG.
Comenzando con las señales de EEG, el conjunto de datos SAD mc-EEG [193]
contiene señales de EEG de 32 canales de 27 sujetos registrados mientras
realizaban una prueba de manejo. Es decir, las señales se adquirieron cuando cada
sujeto asistió a dos sesiones de realidad virtual de 90 minutos para conducir con
atención sostenida.
El corpus TUH EEG [194] también es un repositorio de datos de EEG clínico
de código abierto para datos, herramientas y documentación de EEG clínico. Los
principales conjuntos de datos incluyen detección de convulsiones, EEG anormal,
EEG con artefactos (introducidos por el movimiento ocular, masticación, escalofríos,
estallido de electrodos, electrodos estáticos y artefactos de cables y artefactos
musculares), EEG para epilepsia, etc.
Con respecto a las señales de ECG, la base de datos de arritmias MIT-BIH [195]
incluye registros de ECG ambulatorios de 2 canales tomados de 47 sujetos para
estudiar la arritmia. Hay 48 registros de ECG completos y alrededor de 24 registros
están disponibles gratuitamente. La base de datos de ECG de diagnóstico de PTB
[196] comprende 549 registros de ECG tomados de 290 sujetos de edades
comprendidas entre 17 y 87 años utilizando un registrador de ECG convencional de
12 derivaciones y 3 derivaciones Frank. Cada
el registro incluye 15 señales provenientes de estas derivaciones y cada sujeto fue
representado en 1 a 5 registros. Ambos conjuntos de datos se pueden utilizar para
la detección de anomalías. Otro conjunto de datos de ECG, el conjunto de datos
TELE-ECG [197] incluye 250 registros de ECG con QRS anotados y máscaras de
artefactos. También incluye QRS y algoritmos de detección de artefactos para
estudiar QRS y detectar artefactos a partir de señales de ECG.
Interfaz hombre-máquina
El área de aplicación de la interfaz hombre-máquina se centra en la interfaz y
rehabilitación [cuerpo y cerebro]-máquina.
Esto se hace en gran parte a través de electromiografía (EMG) y, a veces, con
señales de EEG.
La base de datos BNCI Horizon 2020 contiene más de 25
conjuntos de datos como conjuntos de datos de EEG estimulado, conjuntos de
datos de BCI basados en electrocorticografía (ECoG), conjuntos de datos de BCI
basados en potencial relacionado con eventos (ERP), aritmética mental, imágenes
motoras (extraídas de EEG, EOG, fNIRS, EMG), conjuntos de datos de EEG/
Conjuntos de datos EOG de control neuroprotésico, conjuntos de datos ortográficos.
El modelado y diseño de dispositivos BMI son la aplicación clave de esta base de
datos. Mientras que el BNCI contiene una variedad de señales, el repositorio de
conjuntos de datos EMG [199] incluye señales únicas/
13
Computación cognitiva (2021) 13: 1–33
conjuntos de datos de movimientos multidedos de 2 canales, 10 clases y 8 canales,
15 clases; presión de uno o varios dedos en el volante; Prótesis de miembros
superiores multifuncionales controladas por EMG y conjuntos de datos de
reconocimiento de patrones de EMG.
Para EMG de superficie (sEMG), el conjunto de datos de sEMG facial contiene
señales de sEMG faciales de los músculos corrugator supercilii, zygomaticus major,
orbicularis oris, orbicularis oculi y maseter. Los datos archivados son de 15
participantes (8 mujeres y 7 hombres) de entre 26 y 57 años (edad media 40,7 ± 9,6
años). Estos datos se pueden utilizar para la investigación de rehabilitación. Además,
la base de datos de NinaPro incluye datos cinemáticos y sEMG de 27 sujetos,
mientras estos sujetos movían el dedo, la mano y la muñeca. Estos datos se pueden
emplear para estudiar biorrobótica y detección de actividad.
Detección de emociones/estados afectivos
La detección de emociones y estados afectivos ha sido un campo de investigación
muy activo a lo largo de los años. Se ha utilizado una combinación de diferentes
señales para detectar emociones y estados afectivos, y a continuación se describen
varias fuentes de datos que proporcionan estas señales.
Una base de datos para el análisis de emociones usando señales fisiológicas
(DEAP) proporciona varios conjuntos de datos para analizar los estados afectivos
humanos. Proporciona señales de EEG y sEMG de 32 voluntarios, mientras miraban
videos musicales para analizar los estados afectivos. Estos voluntarios también
calificaron el video y también se grabó la cara frontal de 22 voluntarios. DECAF es
un conjunto de datos multimodal para decodificar las respuestas fisiológicas del
usuario al contenido multimedia afectivo. Contiene magnetoencefalograma (MEG),
electroculograma horizontal (hEOG), ECG, EMG del músculo trapecio y datos de
video faciales de infrarrojo cercano para estudiar estados fisiológicos y mentales.
Otro conjunto de datos multimodal es el MAH
Conjunto de datos NOB-HCI [205] que incluye datos de ECG, respiración y
temperatura de la piel, además de señales de EEG de 32 canales de 30 sujetos,
mientras miraban clips de películas y fotos. Los diferentes sensores se sincronizaron
para registrar un conjunto de datos multimodal sincronizado. Se pidió a los sujetos
que etiquetaran su propio estado emocional.
Por otro lado, el conjunto de datos Imagined Emotion [204] proporciona señales
de EEG registradas cuando los sujetos escuchaban grabaciones de voz. El SJTU
Emotion EEG Dataset [206] contiene tres conjuntos de datos individuales (SEED,
SEED-IV y SEED-VIG) de señales de EEG. En el conjunto de datos de SEED, se
registraron señales de EEG mientras los sujetos miraban clips de películas y
anotaron su estado emocional como positivo, negativo y neural. En el caso de SEED-
IV, se anotaron cuatro estados emocionales como felicidad, tristeza, miedo y neutral,
mientras que el conjunto de datos de SEED-VIG contiene señales de EEG
relacionadas con la vigilancia cuando los sujetos conducían.
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
Clasificación de imágenes motoras
La imaginería motora (MI) es otra área de investigación muy activa. Como
resultado de un gran número de colaboradores de la comunidad, se han
desarrollado muchos conjuntos de datos a partir de los cuales se describen a
continuación los más populares.
El conjunto de datos de imágenes mentales electroencefalográficas
cerebro-computadora (EEG-BCI-MI) [207] contiene 60 horas de registro de
EEG de 13 sujetos y 75 experimentos. Contiene alrededor de 60 000 ejemplos
de imágenes mentales, lo que equivale a aproximadamente 4,8 horas de
registros de EEG (con 4600 ejemplos de MI) por participante. Los conjuntos
de datos se pueden utilizar para la rehabilitación de pacientes con trastornos
del movimiento. Otro conjunto de datos de EEG para la interfaz MI cerebro-
computadora (EEG-MI-BCI) [208] contiene señales de EEG con ubicación de
electrodos 3-D y EEG para estados no relacionados con tareas también. El
conjunto de datos se registró de 52 participantes y también contiene datos
[fisiológicos/psicológicos] y señales EMG además del EEG. El conjunto de
datos se puede emplear para encontrar los factores humanos que influyen en
el rendimiento de MI BCI. Otro conjunto de datos centrado en la señal de EEG
se denomina conjunto de datos de imágenes/movimiento motor EEG (EEG-
MMI) [209] e incorpora 1500 (1 a 2 minutos) registros de EEG tomados de 109
voluntarios. El conjunto de datos se puede utilizar para diseñar sistemas BCI
con fines de rehabilitación.
Evaluación de la condición neurológica
Hay varios conjuntos de datos visuales basados en P300 disponibles con
atributos de acceso abierto para realizar una variedad de evaluaciones de
condiciones neurológicas. Estos conjuntos de datos, V-P300 BCI, se componen
de datos registrados con electrodos secos o húmedos con 16 o 32 canales
mientras los sujetos jugaban el juego Brain Invaders [219]. Estos conjuntos de
datos se registraron utilizando diferentes modalidades de juego, como un solo
jugador (16 electrodos secos [210] de 71 sujetos y 32 electrodos húmedos
[211] de 50 sujetos), multijugador en modo colaborativo (32 electrodos
húmedos de 38 sujetos [212]), y modo de cooperación y competición
multijugador (32 electrodos húmedos de 44 sujetos [213]).
Procesamiento y clasificación de señales
Para resolver varios problemas de clasificación y procesamiento de señales,
se han puesto a disposición varios conjuntos de datos en acceso abierto. La
mayoría de estos problemas se presentan a la comunidad en forma de
desafíos con conjuntos de datos relevantes para resolverlos. Las competencias
durante las reuniones de BCI han cumplido este propósito durante varios años
y han publicado conjuntos de datos (los conjuntos de datos de competencia
de BCI [214]) que todavía están disponibles con declaraciones de problemas
relevantes y códigos de muestra para que otros los usen. El conjunto de datos
de desafío proporcionado por la Conferencia de ingeniería neuronal IEEE
(NER2015) se conoce como
15
Conjunto de datos BCI-NER [215]. Este conjunto de datos estaba destinado
principalmente al desarrollo metodológico de un algoritmo de detección de
errores adecuado para los sistemas BCI basados en P300. Los conjuntos de
datos de competencia de BCI incluyen conjuntos de datos de EEG (p. ej.,
negatividad o positividad cortical, ensayos de prueba de retroalimentación,
escritura de teclas a su propio ritmo, paradigma de ortografía P300, datos de
imágenes motoras/mentales, EEG continuo, EEG con movimiento ocular),
conjuntos de datos de ECoG (p. ej., dedo movimiento, señales de imágenes
motoras/mentales en forma de EEG/ECoG) y conjunto de datos MEG (p. ej.,
movimiento de la muñeca). Estos conjuntos de datos se pueden utilizar para
el procesamiento de señales y métodos de clasificación para BMI. De manera
similar, el conjunto de datos BCI-NER Challenge [215] proporciona señales de
EEG de 56 canales de 26 sujetos que utilizan un deletreador P300.
Además de los conjuntos de datos publicados para desafíos y
competencias, existen repositorios que brindan conjuntos de datos enriquecidos
para esta área de aplicación. El DRYAD [216] es un repositorio versátil que
se ha presentado recientemente. Contiene una variedad de conjuntos de
datos grabados de EEG cuando 19 sujetos escuchan habla natural, habla en
tiempo invertido, atención en un cóctel y habla audiovisual ruidosa. El
repositorio PhysioNet [217] contiene una gran cantidad de conjuntos de datos
neuroeléctricos y mioeléctricos. Como sugiere el nombre, es principalmente
para datos fisiológicos. Estos conjuntos de datos pertenecen principalmente a
señales como EEG, ECoG, EMG y ECG y se adquieren de muchos entornos
experimentales diversos. El repositorio UCI ML [218] contiene una gran
cantidad de diversos conjuntos de datos con aplicación directa a los métodos
de aprendizaje automático. Algunos conjuntos de datos de bioseñales
relevantes incluyen señales de ECG, EEG y (s)EMG de diversas condiciones
experimentales y fisiológicas.
Secuencias
La Tabla 6 enumera las principales fuentes de datos populares de acceso
abierto pertenecientes a las diversas investigaciones relacionadas con la
ómica, que incluyen genómica, proteómica y metabolómica. Agrupadas en
seis amplias áreas de aplicación, a saber, análisis de bioensayos y diseño de
fármacos, análisis de trastornos genéticos, investigación de ácidos nucleicos,
análisis de estructuras de proteínas, estudio de vías de transducción de
señales y ómicas unicelulares, las siguientes subsecciones brindan breves
discusiones sobre las principales ómicas de acceso abierto. datos
fuentes.
Análisis de bioensayos y diseño de fármacos
Desde diciembre de 2019, el mundo vive una pandemia provocada por el
virus SARS-CoV-2 (COVID-19). Impulsado por la necesidad de facilitar las
investigaciones en curso, el conjunto de datos del SARS-CoV-2 [220]
proporciona secuencias de genes, proteínas, vías y bioensayos para el SARS-
CoV-2 junto con compuestos utilizados en ensayos clínicos. Este conjunto de
datos se puede utilizar para estudiar el proceso biológico/químico y el diseño
de fármacos.
13
Machine Translated by Google

dieciséis
Computación cognitiva (2021) 13: 1–33

La base de datos PubChem [221] contiene millones de estructuras
compuestas y conjuntos de datos descriptivos de moléculas químicas y sus
actividades frente a ensayos biológicos. Mantenido por el Centro Nacional de
Información Biotecnológica de los Institutos Nacionales de Salud de los Estados
Unidos, puede accederse libremente a través de una interfaz de usuario web y
descargarse a través de FTP. También contiene servicios de software (como
trazado y agrupación). Se puede utilizar para estudios [gen/prote]-ómicos y
diseño de fármacos.
de diferentes proyectos de secuenciación. El conjunto de datos se puede utilizar
para el diagnóstico de enfermedades y estudios genéticos. La base de datos
Genotype Tissue Expression (GTEx) [230] contiene conjuntos de datos de GE
de 54 sitios de tejido sano recopilados de 1000 sujetos e imágenes histológicas.
También incluye muestras del biobanco GTEx.
La base de datos Harmonizome [231] proporciona detalles sobre genes y
proteínas de 114 conjuntos de datos proporcionados por 66 recursos en línea
con 71927784 asociaciones entre 295496

atributos y 56720 genes. La base de datos internacional de secuencias de

nucleótidos [232], conocida popularmente como INSDC, corrobora los datos
Análisis de trastornos genéticos
biológicos de tres fuentes principales: i) el banco de datos de ADN de Japón
[247], ii) el archivo europeo de nucleótidos [248] y iii) GenBank [249]. Estas
La expresión del gen del cáncer (GE) [222] sirve como un pequeño repositorio
fuentes proporcionan el espectro de lecturas de datos sin procesar, a través de
que contiene varios conjuntos de datos de GE del cáncer que se pueden emplear
alineaciones y ensamblajes para anotaciones funcionales, enriquecidas con
para diseñar herramientas/algoritmos para la detección del cáncer. El repositorio información contextual relacionada con muestras y configuraciones
del atlas del genoma del cáncer (TCGA) [224] contiene más de 2,5 petabytes de
experimentales. Similar a esto, el International Genome Sample Resource
datos genómicos, epigenómicos, transcriptómicos y proteómicos. Contiene datos
(IGSR) [233] incluye datos de secuenciación del genoma del proyecto 1000
sobre 33 tipos diferentes de cáncer y más de 20.000 muestras. Estos datos son
genomas. Los datos del genoma se tomaron de personas de diversas etnias,
generados por el Instituto Nacional del Cáncer y el Instituto Nacional de
edades y sexos y el conjunto de datos final contiene datos de secuenciación de
Investigación del Genoma Humano. Este repositorio se utiliza para facilitar el
genes de 2504 individuos de 26 poblaciones. Estos datos se pueden utilizar
estudio genómico para mejorar la prevención, el diagnóstico y el tratamiento del
para el diagnóstico de enfermedades y estudios genéticos. Además, la base de
cáncer. Para analizar enfermedades específicas de la región, la base de datos
datos SysGenSim [237] incluye una herramienta de bioinformática y conjuntos
de enfermedades genéticas de la India (IGDD) [223] realiza un seguimiento de
de datos de prueba de referencia de StatSeq y DREAM 5 de Pula-Magdeburg
las mutaciones en los genes normales para las enfermedades genéticas
para estudiar la secuencia de genes.
notificadas en la India.

JASPAR [234] es una base de datos para el perfil de unión al ADN del factor
Investigación de ácidos nucleicos
de transcripción. Los datos abarcan seis grupos taxonómicos diferentes que
abarcan Vertebrata, Nematoda, Insecta, Plantae, Fungi y Urochordata. La base
La base de datos del Proyecto de red de transcripción de Drosophila de Berkeley
de datos se puede utilizar para la investigación de la genómica traslacional.
(BDTNP) [225] contiene conjuntos de datos relacionados con datos de expresión
génica en 3D, datos de unión de ADN in vivo e in vitro, así como datos de
El repositorio NIH Roadmap Epigenomics Mapping (NIHREM) [235] incluye
accesibilidad de cromatina (ChAcD). La investigación sobre GE y la detección
2804 conjuntos de datos, es decir, 1821 modificación de tono his, 360 DNasa,
de anomalías es la aplicación clave de los conjuntos de datos proporcionados
277 metilación de ADN y 166 conjuntos de datos de RNA-Seq. El repositorio
por esta base de datos.
proporciona 3.174 veces 150.210 millones de secuencias mapeadas del ser
La Enciclopedia de Elementos de ADN (ENCODE) [226] es una base de
humano y herramientas para analizar estos conjuntos de datos. Se puede utilizar
datos del genoma completo organizada por el Consorcio ENCODE. Contiene
para el mapeo de células madre y la selección de tejidos que son responsables
una gran cantidad de conjuntos de datos relacionados con la genómica funcional
de enfermedades humanas. Además, la base de datos conocida como Nature
y los datos de caracterización, incluidos los metadatos de humanos, gusanos,
Scientific Data (NSD) [236] incluye conjuntos de datos relacionados con ómica,
ratones y fy. Otra base de datos, llamada Exome Sequencing Project (ESP)
taxonomía y diversidad de especies, recursos matemáticos y de modelado,
[227], incluye conjuntos de datos del genoma que se pueden utilizar para
citometría, recursos centrados en organismos y datos de ciencias de la salud.
encontrar trastornos pulmonares y sanguíneos y su manejo y tratamiento. Gene
Esto se puede utilizar para estudiar y modelar diferentes aspectos de la genómica.
Expression Omnibus (GEO) [228] es un depósito de datos de genómica funcional
(microarreglo y secuencia) de acceso abierto. Esta base de datos se puede
utilizar para estudios genómicos y epigenómicos funcionales, como la metilación
del genoma, la estructura de la cromatina y las interacciones genoma-proteína.
Cuenta con el apoyo del Centro Nacional de Información Biotecnológica de la
Análisis de estructura de proteínas
Biblioteca Nacional de Medicina de EE . UU . [228]. La base de datos de
agregación del genoma (gnomAD) [229] contiene datos de secuenciación del
El banco de datos de proteínas (PDB) [238] contiene proteínas y ácidos nucleicos
genoma y del exoma a gran escala
con datos estructurales en 3D. Estos datos se obtienen con herramientas como
la cristalografía de rayos X, la espectroscopia de RMN y la criomicroscopía
electrónica. Incluye más de 135 mil

13
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
datos de proteínas, ácidos nucleicos y ensamblajes complejos.
Estos se pueden utilizar para comprender todos los aspectos de la
biomedicina y la agricultura.
La clasificación estructural de proteínas (SCOP) es un repositorio que
aloja conjuntos de datos de estructura de proteínas clasificados
manualmente. La clasifcación se realizó en base a las secuencias de
aminoácidos y su similitud estructural. El objetivo principal es encontrar la
relación evolutiva entre las proteínas. Actualmente se mantienen dos
versiones de SCOP.
SCOP Versión 2 (SCOP2) [239] es la base de datos SCOP actualizada
publicada en el primer trimestre de 2020. Por el contrario, SCOP-extended
(SCOPe) [240] es una versión ampliada del SCOP original mantenida por
UC Berkeley. SCOPe incluye muchas estructuras de proteínas clasificadas
nuevas a través de una fusión de curación manual y automática.
Las bases de datos de biología molecular de la UCI (UCI MB) contienen
tres bases de datos individuales: i) Estructura proteica secundaria [241],
que es un repositorio de banco que clasifica la estructura secundaria de
ciertas proteínas globulares; ii) Secuencias de genes de unión de empalme
[250], que contienen secuencias de genes de unión de empalme (ADN) de
primates con la teoría de dominio imperfecto asociada; y iii) Secuencias de
genes promotores [251], que contienen secuencias de genes promotores
(ADN) de E. coli con teoría de dominio parcial. Los objetivos incluyen i)
secuenciar y predecir la estructura secundaria de ciertas proteínas; ii)
estudiar secuencias de genes de unión de empalme (ADN) de primates
con la teoría del dominio imperfecto asociado; iii) estudiar las secuencias
del gen promotor (ADN) de E. Coli con la teoría del dominio parcial.
Estudio de vías de transducción de señales
La base de datos de interacción de vías naturales del NCI [242] alberga
vías de señalización celular (interacciones/reacciones moleculares) en
humanos. La base de datos se puede emplear para la investigación del cáncer.
La base de datos fue creada por el Instituto Nacional del Cáncer de EE.
UU., NIH, con la colaboración de Nature Publishing Group y publicada en
el último trimestre de 2006. Otra base de datos, NetPath [243], también
contiene vías de transducción de señales en humanos.
Creado conjuntamente por la Universidad Johns Hopkins y el Instituto de
Bioinformática (IOB) en India; incluye 45 vías de señalización que van
desde interacciones proteína-proteína hasta reacciones sustrato proteína-
enzima, incluidas 10 vías principales del sistema inmunitario y 10 vías
relevantes para la regulación del cáncer. El otro, Reactome [244], es una
base de datos de acceso abierto que alberga vías biológicas de procesos
metabólicos para la señalización hormonal en humanos. Creado a través
de una colaboración entre América del Norte y Europa, puede usarse para
la investigación y el tratamiento del cáncer.
ómicas unicelulares
El conjunto de datos miRBoost [245] contiene los genomas de eucariotas
que contienen al menos 100 miARN. Este conjunto de datos se utiliza para
estudiar la regulación génica postranscripcional (PTGeR)
17
y patología relacionada con miARN. Saccharomyces Genome Database
(SGD) [246] también proporciona información biológica completa para la
levadura en ciernes Saccharomyces cerevi siae. También brindan una
herramienta de código abierto para buscar y analizar estos datos y, por lo
tanto, permiten el descubrimiento de relaciones funcionales entre
secuencias y productos genéticos en hongos y organismos superiores. El
estudio de la expresión del genoma, el transcriptoma y la biología
computacional es la principal función del SGD.
Herramientas de aprendizaje profundo de código abierto
Debido al creciente interés y los esfuerzos multidisciplinarios simultáneos
hacia DL en los últimos años, se han puesto a disposición de la comunidad
varias bibliotecas, marcos y plataformas de código abierto. Sin embargo,
para un nuevo usuario de estas herramientas de minería de datos
biológicos, no siempre es sencillo conocer sus características, ventajas y
desventajas. En este proceso, uno de los principales obstáculos para un
nuevo analista es seleccionar la arquitectura/modelo de DL apropiado y la
biblioteca relevante que proporcione implementaciones adecuadas de la
arquitectura seleccionada. Para introducir a un principiante en el campo
del análisis de datos biológicos utilizando estas herramientas de código
abierto, esta sección describe las herramientas en un estilo de tutorial que
indica sus características, pros y contras. El enfoque de la sección ha sido
revisar y resumir las herramientas de código abierto más populares, cuyo
objetivo es facilitar los desarrollos tecnológicos para la comunidad. Esta
completa colección contiene herramientas (también desarrolladas por
individuos) que están bien mantenidas con una cantidad razonable de
algoritmos implementados (es decir, arquitecturas de aprendizaje profundo).
En aras de la brevedad, se omiten las referencias de publicación individual
de las herramientas y los lectores interesados pueden consultarlas en sus
respectivos sitios web desde las URL proporcionadas.
La Tabla 7 resume las principales características y diferencias de las
distintas herramientas. Para medir el impacto y la aceptabilidad de una
herramienta en la comunidad, proporcionamos medidas basadas en
GitHub, como el número de estrellas, bifurcaciones y colaboradores. Estos
números son indicativos de la popularidad, madurez y difusión de una
herramienta en la comunidad.
Cafetería
Café (http://cafe.berkeleyvision.org/) es escalable, está escrito en C++ y
proporciona enlaces para Python y MATLAB.
Dedicado a experimentar, entrenar e implementar modelos DL de
propósito general, este marco permite cambiar entre plataformas de
desarrollo e implementación. Dirigida a aplicaciones de visión artificial, se
considera la implementación más rápida de la CNN.
13
Machine Translated by Google

18 Computación cognitiva (2021) 13: 1–33

Tabla 7 Resumen de herramientas de aprendizaje profundo de código abierto (* a partir de julio de 2020)

Herramienta Plataforma Idioma(s) Estrellas* Tenedores* Aporte* Arquitectura DL compatible

Cafetería L, M, W, A Py, C++, Ma 30100 18200 266 CNN, RNN, GAN

Chainerc L Py 5300 1400 251 DA, CNN, RNN, GAN

DL4ja L, M, W sí 11500 4800 32 DA, CNN, RNN, RBM, LSTM, GAN

DyNeta L C++ 3000 687 117 CNN, RNN, LSTM

H2Oa L, M, W Ja, Py, R 4700 1700 132 CNN, R.N.N.

Kerasc L, M, W Py 47500 18000 816 CNN, RNN, DBN, GAN

lasaña L, M Py 3700 980 68 CNN, RNN, LSTM, GAN

MCTcÿÿ W C++ 16720 4400 197 CNN, DBN, RNN, LSTM
MXNeta L, M, W, A, I C++ 18500 6600 780 DA, CNN, RNN, LSTM, GAN
neonaÿÿ L, M Py 3800 846 78 DA, CNN, RNN, LSTM, GAN

PyTorchb L, M Py 37400 9500 1345 CNN, RNN, LSTM, GAN

Singapur L, M, W Py, C++, Sí 2000 499 46 CNN, RNN, RBM, DBM

TensorFlowa L, M, W Py, C++ 14300 80600 2450 CNN, RNN, RBM, LSTM, GAN
TF.Learnc L, M Py, C++ 9400 2400 120 CNN, BRNN, RNN, LSTM, GAN
Teanob L, M, W Py 9103 2500 332 CNN, RNN, RBM, LSTM, GAN
Antorchab L, M, W, A, I Lu, C, C++ 8495 2400 130 CNN, RNN, RBM, LSTM, GAN
Velesa L, M, W, A Py 891 185 10 DA, CNN, RNN, LSTM, RBM

L Linux/Unix, M MacOSX, W Windows, A Android, I iOS, CP multiplataforma, Py Python, Ja Java, Lu Lua, Ma Matlab
*Parámetros de GitHub (a partir del 1 de abril de 2020)
a
Licencia Apache2
b
Licencia BSD
C
Licencia MIT

ventajas Contras.

– Fácil de implementar; – El marco de Open Computing Language/Open Multi Processing API no es

– Los modelos preentrenados están disponibles; compatible.
– Mayor velocidad de entrenamiento;
– Utilizado para redes feedforward.
DeepLearning4j

Contras. DeepLearning4j (DL4J, https://deeplearning4j.org/), escrito en Java con bibliotecas

centrales en C/C++, es un marco de trabajo distribuido para la creación rápida de

– Requiere escribir código para generar nuevas capas;
– Menos soporte para redes recurrentes;
– No hay soporte para entrenamiento distribuido.
Encadenador
Encadenador (http://chainer.org/) es un marco DL proporcionado como biblioteca
de Python. Además de la disponibilidad de técnicas de optimización populares y
prototipos que se dirige principalmente a personas que no son de investigación.
Compatible con lenguajes compatibles con JVM (p. ej., Scala/
Clojure), funciona en marcos de procesamiento distribuido (por ejemplo, Hadoop y
Spark). A través de Keras (ver sección 5.6) como una API de Python, permite
importar modelos DL existentes desde otros marcos. Permite la creación de
arquitecturas NN mediante la combinación de arquitecturas NN superficiales
disponibles.
ventajas

cálculos relacionados con NN (por ejemplo, funciones de convolución, pérdida y

activación), la creación dinámica de gráficos hace que Chainer sea poderoso. – Admite la integración con marcos de Big Data Apache
Admite una amplia gama de arquitecturas DL, incluidas CNN, GAN, RNN y DA. Chispa y Hadoop;
– Admite plataformas de GPU y CPU distribuidas y es capaz de trabajar con tensor.
ventajas

– Una de las herramientas para liderar gráficos de computación dinámica/ Contras.

redes;

– Notablemente más rápido que otros marcos orientados a Python. – El marco de Open Computing Language no es compatible;

13
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
– La GUI es compatible con el flujo de trabajo y la visualización.
DyNet
La biblioteca DyNet (https://dynet.readthedocs.io/), escrito en C++ con enlaces
Python, es el sucesor de la 'biblioteca de redes neuronales C++'. En DyNet, los
gráficos computacionales se crean dinámicamente para cada ejemplo de
entrenamiento; por lo tanto, es computacionalmente eficiente y flexible. Dirigido a
aplicaciones de PNL, su especialidad está en CNN, RNN y LSTM.
ventajas
– Diseñado para ser eficiente para ejecutarse en CPU o GPU.
– Gráfico de cálculo dinámico como PyTorch y Chainer.
Contras.
– En términos de TensorFlow, hay funciones limitadas disponibles.
H2O
H2O (http://www.h2o.ai) es un software ML que incluye DL y análisis de datos.
Proporciona una interfaz unificada para otros marcos de DL como TensorFlow,
MXNet y Caffe. También admite el entrenamiento de modelos DL (CNN y RNN)
diseñados en R, Python, Java y Scala.
ventajas
– Debido a sus capacidades de procesamiento paralelo distribuidas en memoria,
se puede utilizar para datos en tiempo real;
– Se admite GUI (llamado Flujo) para flujo de trabajo y visu
alización;
– Compatibilidad con GPU para Deep Water y NVIDIA;
– Entrenamiento rápido, manipulación de DataFrame eficiente en memoria;
– Algoritmos fáciles de usar y bien documentados;
Contras.
– Carece de las capacidades de manipulación de datos de R y Pandas
marcos de datos;
– Lento en el aprendizaje y admite un modelo limitado que se ejecuta en
un momento.
Keras
El Keras basado en Python (https://keras.io/) biblioteca se utiliza sobre Theano o
TensorFlow. Sus modelos se pueden importar a DL4J (ver sección 5.3). Fue
desarrollado como una herramienta fácil de usar que permite una experimentación
rápida y una creación de prototipos fácil y rápida. Keras es compatible con CNN,
GAN, RNN y DBN [252].
19
ventajas
– Documentación rica;
– Una API de alto nivel para redes neuronales;
– Capacidad para ejecutarse sobre bibliotecas/marcos de aprendizaje profundo de
última generación como TensorFlow, CNTK o Theano.
Contras.
– No se puede utilizar multi-GPU directamente;
– Requiere Theano como backend para compatibilidad con OpenMP y Theano/
TensorFlow/PlaidML como backend para OpenCL.
lasaña
Lasaña (http://lasagne.readthedocs.io) La biblioteca DL está construida sobre
Theano. Permite múltiples clasificadores de entrada, salida y auxiliares. Admite
funciones de costos definidas por el usuario y proporciona muchas funciones de
optimización. Lasaña es compatible con CNN, GAN, RNN y LSTM.
ventajas
– Lasagne es una biblioteca liviana para construir y entrenar algoritmos DL en
Theano;
– Las capas, los regularizadores y los optimizadores se pueden usar de forma independiente
abolladura;
– Se dispone de documentación clara;
– Admite entrenar la red en una GPU.
Contras.
– Comunidad pequeña que TensorFlow.
Kit de herramientas cognitivas de Microsoft
En sustitución de CNTK, el kit de herramientas cognitivas de Microsoft (MCT, https
://cntk.ai/) está codificado principalmente en C++. Proporciona implementaciones
de varias reglas de aprendizaje y admite diferentes arquitecturas DL, incluidas
DNN, CNN, RNN y LSTM.
ventajas
– Es un marco para feedforward DNN, CNN y RNN;
– Puede entrenar sistemas de producción muy rápido;
– Puede lograr un rendimiento de vanguardia en el punto de referencia
Tareas;
– Permitir la visualización de gráficos dirigidos.
Contras.
– Menos apoyo de la comunidad;
– Difícil de instalar;
13
Machine Translated by Google

20 Computación cognitiva (2021) 13: 1–33

– Atraer el menor interés entre la comunidad investigadora. – Fácil de crear una capa y ejecutar en GPU.

MXNet Contras.

MXNet (https://mxnet.io/) framework permite definir, entrenar e implementar NN – Requiere escribir código de entrenamiento;
profundas (DA, CNN, GAN, RNN y LSTM) en una amplia gama de dispositivos, – Documentación limitada.

desde infraestructura en la nube hasta dispositivos móviles o incluso integrados (p.

ej., Raspberry Pi). Escrito en C++, es eficiente en memoria y es compatible con Go, Singa
JavaScript, Julia, MATLAB, Perl, Python, R y Scala.
Singa (https://singa.incubator.apache.org/), es una plataforma DL distribuida escrita
ventajas en C++, Java y Python.
Su arquitectura flexible permite que se ejecuten marcos de entrenamiento
– Un marco DL que tiene un impera de alto rendimiento sincrónicos, asincrónicos e híbridos. Admite una amplia gama de arquitecturas DL,
API activa; incluidas CNN, RNN, RBM y DBM.
– Soporte de lenguaje enriquecido;
– MXNet cuenta con soporte GPU avanzado; ventajas

– Altamente escalable.
– Los modelos preentrenados están disponibles;
Contras. – Admite el particionamiento de modelo/datos o híbrido, y entrenamiento sincrónico/
asincrónico/híbrido;
– Comunidad pequeña que TensorFlow; – Sistema de aprendizaje profundo distribuido y manejo de Big data.
– Pobre documentación de la API; – Ampliamente utilizado para el análisis de datos de atención médica.

– Menos popular entre la comunidad investigadora.

Contras.

Neón
Neón (www.nervanasys.com/technology/neon/) es un marco DL escrito en Python.
Proporciona implementaciones de varias reglas de aprendizaje, junto con funciones
de optimización y activación. Su compatibilidad con la arquitectura DL incluye CNN,
GAN, RNN, LSTM y DA.
ventajas
– Mejores propiedades de visualización que otros marcos;
– Aplicar optimización a nivel de carga de datos,
Contras.
– Sin soporte de procesamiento múltiple abierto.
TensorFlow
TensorFlow (www.tensorflow.org), escrito en C++ y Python, fue desarrollado por
Google y admite NN profundas a gran escala. Enmendado recientemente como
'TensorFlow Fold', su capacidad para crear gráficos dinámicamente hizo que la
arquitectura fuera flexible, lo que permitió la implementación en una amplia gama de
dispositivos (p. ej., escritorio con múltiples CPU/GPU, servidor, dispositivos móviles,
etc.) sin necesidad de reescribir código [ 253, 254]. También contiene una
herramienta de visualización de datos llamada TensorBoard y es compatible con
muchas arquitecturas DL, incluidas CNN, GAN, RNN, LSTM y RBM [255].

– Comunidad pequeña que TensorFlow;

– Menos popular entre la comunidad investigadora. ventajas

PyTorch – Maneja datos a gran escala y opera en entornos heterogéneos;

PyTorch (http://pytorch.org/) proporciona módulos Torch en Python. Más que un – Tiempo de compilación más rápido que Theano;
contenedor, su profunda integración permite explotar las poderosas características – Abstracción de grafos computacionales;
de Python. Inspirado en Chainer, permite la creación de redes dinámicas para – Soporta paralelismo.
cargas de trabajo variables y es compatible con CNN, GAN, RNN y LSTM. – TensorBoard se utiliza para el flujo de trabajo y la visualización.

ventajas Contras.

– Los modelos preentrenados están disponibles; – Huella de memoria grande;

– Compatibilidad con OpenCL a través de un paquete mantenido por separado. – Hay menos modelos preentrenados disponibles;
– Combina fácilmente piezas modulares; – El gráfico computacional puede ser lento;

13
Machine Translated by Google

Computación cognitiva (2021) 13: 1–33 21

– Sin soporte para operaciones matriciales; Recientemente, los módulos DL de Facebook (fbcunn) que se centran en CNN se
– Dificultades en la depuración. han abierto como un complemento de Torch.
ventajas

TF.Aprender
- Fácil de usar;
TF.Learn (www.tflearn.org) es una API de Python de alto nivel basada en – Conveniente para usar con GPU;
TensorFlow (consulte la sección 5.13) . Admite la creación rápida de prototipos con – Los modelos preentrenados están disponibles;

capas NN modulares y múltiples optimizadores, entradas y salidas. Las arquitecturas – Altamente modular;
DL admitidas incluyen CNN, GAN, BRNN y LSTM. – Fácil de crear una capa y ejecutar en GPU.

ventajas Contras.

– Biblioteca DL modular y transparente construida sobre TensorFlow; – Formato de datos especial y requiere conversión;
– Requerir escribir código de entrenamiento;
– Proporciona una API de nivel superior para TensorFlow. – Menos documentación disponible.

Contras. Vélez

– Más lento en comparación con sus competidores.
Teano
Teano (www.deeplearning.net/software/theano/) es una biblioteca de Python que
se basa en paquetes básicos como NumPy y SymPy. Define, optimiza y evalúa
expresiones matemáticas con tensores y sirvió como base para muchas bibliotecas
DL.
Velas (https://github.com/Samsung/veles) es una plataforma distribuida basada en
Python para el desarrollo rápido de aplicaciones DL. Proporciona servicios de
aprendizaje automático y procesamiento de datos y es compatible con portátiles
IPython. Desarrollado por Samsung, una de sus ventajas es que admite OpenCL
para programación paralela multiplataforma y permite la ejecución en plataformas
heterogéneas (por ejemplo, servidores, PC, dispositivos móviles e integrados). Las
arquitecturas DL admitidas incluyen DA, CNN, RNN, LSTM y RBM.

ventajas ventajas

– Alta flexibilidad; – soporte de plataforma distribuida;

– Alta estabilidad computacional; – Compatible con Jupyter Notebook;
– Muy adecuado para expresiones matemáticas basadas en tensores; – Admite OpenCL para el programa paralelo multiplataforma
– Bibliotecas de código abierto como Keras, Lasagne y Blocks construidas sobre ming
Theano;
– Capaz de visualizar filtros convolucionales, imágenes y Contras.

gráficos;
– Aumentan los envoltorios de alto nivel como Keras y Lasaña – Menos apoyo de la comunidad;
usabilidad – Atrae el interés de la comunidad investigadora.

Contras.

Comparación relativa de herramientas DL

– Difícil de aprender;

– Difícil de implementar; Para realizar una comparación relativa entre las herramientas de DL de código
– Implementado en una sola GPU; abierto disponibles, seleccionamos cuatro métricas que se detallan a continuación:

– Tiempo de compilación más lento que TensorFlow. tendencia en su uso, participación de la comunidad en su desarrollo, interoperabilidad
entre ellas y su escalabilidad (Fig. 4).
Antorcha

Iniciado en 2000, Torch (http://torch.ch/), una biblioteca ML y un marco de Tendencia

computación científica, ha evolucionado como una poderosa biblioteca DL. Las

funciones principales se implementan en C y el resto a través del lenguaje de Para evaluar la popularidad y la tendencia de las diversas herramientas de DL
secuencias de comandos LuaJIT hizo que Torch fuera súper rápido. Los gigantes entre los consumidores de DL, analizamos dos fuentes diferentes para evaluar la
del software como Facebook y Google utilizan Torch de forma extensiva. utilización de las herramientas.

13
Machine Translated by Google

22 Computación cognitiva (2021) 13: 1–33

a b MXNet Theano Otros d

Caffe Keras Antorcha Theano Tensorflow Café
100%
Mencion
(%)

80%
60%
Keras
40% DL4J
APRENDIZAJE PROFUNDO4J

Pytorch
20% 2015-01 2015-04 2015-07 2015-10 2016-01 2016-04 2016-07 2016-10 2017-01 2017-04 2017-07 2017-10 2018-01 2018-04 2018-07 2018-10 2019-01 2019-04 2019-07 2019-10

0%
TensorFlow

Tiempo (año-mes)

C mi

Memoria aplicación.

160 Lógica E/S

Configuración

140 tensorflow ASIC

DLL PLL E/S
Keras
Estrellas
Github
miles)
(en
Macro de memoria
40 FPGA
Café pyTorch informática
capacidad
Mayor

20 MXNet MCT ALU de control ALU

DRACMA
Teano TF.Aprender ALU ALU
Antorcha DL4j H2O _ GPU
SingaChainer Cache

0 Vélez Neón
lasaña DyNet DRACMA

UPC
2008 2014 2015 2016
Año de lanzamiento Mayor eficiencia energética

Fig. 4 Comparación relativa de herramientas DL. a Tendencia de popularidad de las contribuyentes. d En cuanto a la interoperabilidad entre las herramientas de DL, Keras
herramientas DL individuales según la mención en la búsqueda de Google generada permite la importación de modelos desde Cafe, MCT (CNTK), Theano y Ten sorFlow y
globalmente (datos cortesía: Google Trend). b Mención en artículos enviados al permite que DL4j importe. e Con respecto a la escalabilidad basada en hardware de
servidor de preimpresión arXiv durante el primer trimestre de 2020. c El efecto de la las herramientas DL, la mayoría de las herramientas brindan soporte para CPU y GPU,
participación de la comunidad en herramientas individuales se muestra por el tamaño mientras que FPGA y ASIC pueden ejecutar principalmente modelos preentrenados.
de la burbuja, que es producto del número normalizado de bifurcaciones de GitHub y

En primer lugar, extrajimos datos de búsqueda generados globalmente Comunidad

de Google Trends1 durante cinco años (enero de 2015 a diciembre de
2019) relacionados con términos de búsqueda que consisten en El puntaje de desarrollo basado en la comunidad para cada herramienta
ÿ[toolname] + DeepLearningÿ. Los datos mostraron un aumento progresivo discutida en la Sección 5 se calculó a partir de los parámetros de
de la búsqueda sobre TensorFlow desde su lanzamiento, seguido de popularidad del repositorio de GitHub (https://github.com/) (es decir,
Keras (Fig. 4a). En segundo lugar, extraer el contenido de alrededor de estrella, tenedor y colaboradores). El diagrama de burbujas que se
2000 documentos enviados al cs de arXiv.[CV | CL | LG | IA | NE], y muestra en la Fig. 4c representa la participación de la comunidad en el
categorías stat.ML, durante el primer trimestre de 2020 (es decir, de enero desarrollo de las herramientas que indican el año de lanzamiento estable
a marzo), por la presencia de los nombres de las herramientas [256]. inicial. Cada tamaño de burbuja en la figura, correspondiente a una
Como se ve en la Fig. 4b , que muestra el porcentaje de mención de cada herramienta, representa el efecto combinado normalizado de la bifurcación
herramienta individual en los documentos, las seis herramientas principales y los contribuyentes de esa herramienta. Se ve claramente que una parte
se identificaron como: PyTorch, TensorFlow, Keras, Cafe, MXNet y muy grande del esfuerzo de la comunidad se concentra en TensorFlow, seguido de Keras
Theano.

interoperabilidad

En los entornos de desarrollo multiplataforma actuales, una medida

importante para juzgar la flexibilidad de una herramienta es su
interoperabilidad con otras herramientas. En este sentido, Keras es el
más flexible cuyas redes neuronales de alto nivel son capaces de
1 ejecutarse sobre Tensor o Theano. Alternativamente,
https://trends.google.com

13
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
El modelo DL4j importa modelos de redes neuronales originalmente
configurados y entrenados con Keras que proporciona capas de
abstracción sobre los backends de TensorFlow, Theano, Cafe y CNTK
(Fig. 4d).
Escalabilidad
La escalabilidad basada en hardware es una característica importante
de las herramientas individuales (Fig. 4e). El hardware actual para
dispositivos informáticos está dominado por unidades de procesamiento
de gráficos (GPU) y unidades de procesamiento central (CPU). Pero
teniendo en cuenta el aumento de la capacidad informática y la eficiencia
energética, se espera que en los próximos años se amplíe el papel de
otros tipos de chips, incluidos los circuitos integrados específicos de la
aplicación (ASIC) y los arreglos de puertas programables en campo
(FPGA). Hasta ahora, DL se ha utilizado predominantemente a través
de software. El requisito de aceleración de hardware, eficiencia
energética y mayor rendimiento ha impulsado el desarrollo de sistemas
DL basados en chipset.
Desempeño de Herramientas y Benchmark
El poder de los métodos de DL radica en su capacidad para reconocer
patrones para los que están capacitados. A pesar de la disponibilidad
de varios hardware de aceleración (p. ej., [C/G] PU/FPGA multinúcleo),
esta fase de entrenamiento requiere mucho tiempo, es engorrosa y
desafiante desde el punto de vista computacional. Además, dado que
cada herramienta proporciona implementaciones de varias arquitecturas
DL y, a menudo, enfatiza componentes separados de ellas en diferentes
plataformas de hardware, seleccionar una herramienta adecuada para
una aplicación se vuelve cada vez más difícil. Además, las diferentes
herramientas de DL tienen diferentes objetivos, por ejemplo, Caffe se
enfoca en aplicaciones, mientras que Torch y Theano son más para la
investigación de DL.
Para facilitar a los científicos la elección de la herramienta adecuada
para su aplicación, los científicos compararon el rendimiento de las
herramientas populares con respecto a sus tiempos de entrenamiento
[257, 258]. Además, hasta donde sabemos, existen dos esfuerzos
principales que brindan públicamente los detalles de evaluación
comparativa de las diversas herramientas y marcos de DL [259, 260].
Resumiendo esos trabajos seminales, a continuación proporcionamos
el tiempo requerido para completar el proceso de capacitación como una
medida de rendimiento de cuatro arquitecturas DL diferentes (p. ej.,
FCN, CNN, RNN y DA) entre las herramientas populares (p. ej., Caffe,
CNTK, MXNET , Theano, TensorFlow y Torch) en plataformas [C/G]PU
multinúcleo.
La Tabla 8 enumera las configuraciones experimentales utilizadas
en la evaluación comparativa de las herramientas especificadas.
Durante el proceso se utilizaron principalmente tres configuraciones
diferentes, cada una con CPU Intel Xeon E5. Aunque la CPU era similar,
el hardware de la GPU era diferente: GeForce GTX Titan X, GTX 980,
GTX 1080, Tesla K80, M40 y P100.
23
Los codificadores automáticos apilados o DA se compararon
utilizando la configuración experimental número 1 en la Tabla 8. Para
estimar el rendimiento de las diversas herramientas en la implementación
de DA, se apilaron tres codificadores automáticos (cantidad de capas
ocultas: 400, 200 y 100, respectivamente) con pesos vinculados y
funciones de activación sigmoide. Se realizó un entrenamiento de red
de dos pasos en el conjunto de datos MNIST [261]. Como se informa en la Fig. 5
(a, b), las actuaciones de varias herramientas DL se evalúan utilizando
el tiempo de ejecución y el tiempo de entrenamiento. El tiempo de
ejecución hacia adelante se refiere al tiempo requerido para evaluar el
flujo de información a través de la red completa para producir el resultado
previsto para un lote de entrada, un conjunto de datos y una red. Por el
contrario, el tiempo de cálculo de gradiente mide el tiempo necesario
para entrenar herramientas DL. Los resultados sugieren que,
independientemente de la cantidad de subprocesos de CPU utilizados o
GPU, Theano y Torch superan a TensorFlow tanto en gradiente como
en tiempos de avance (Fig. 5 a, b).
La configuración experimental número 2 (Tabla 8) se utilizó en la
evaluación comparativa de RNN. La red LSTM adaptada [262] fue
diseñada con 10000 unidades de entrada y salida con dos capas y ~13
millones de parámetros. Como el rendimiento de RNN depende de la
longitud de entrada, se utilizó una longitud de entrada de 32 para el
experimento. Como indican los resultados (Fig. 5 cf), MCT supera a
otras herramientas tanto en CPU como en las tres plataformas de GPU.
En las CPU, TensorFlow funciona un poco mejor que Torch (Fig. 5 c).
En GPU, Torch es el más lento con TensorFlow y MXNet funcionando
de manera similar (Fig. 5 df).
Tabla 8 Configuración de hardware de la configuración de evaluación
Procesador ESN Memoria
1 Procesador : E5-1650a a 3,50 GHz 32 GB
GPU: Nvidia GeForce GTX Titán Xbÿÿ
2 Procesador : E5-2630c a 2,20 GHz 128GB
GPU: Nvidia GeForce GTX 980dÿÿ
GPU: Nvidia GeForce GTX 1080eÿÿ
GPU: acelerador Tesla K80 con GK210 GPUsf
3 Procesador : E5-2690c a 2,60 GHz 256GB
GPU: acelerador Tesla P100ÿÿ
GPU: acelerador Tesla M40hÿÿ
GPU: acelerador Tesla K80 con GK210 GPUsfÿÿ
Números de configuración experimental de ESN
a
Procesador Intel Xeon v2
b
3072 núcleos, reloj base de 1000 MHz, memoria de 12 GB
C
Procesador Intel Xeon v4
d
2048 núcleos, reloj base de 1126 MHz, memoria de 4 GB
mi
2560 núcleos, reloj base de 1607 MHz, memoria de 8 GB
F
El acelerador Tesla K80 tiene dos GPU Tesla GK210 con 2496 núcleos,
Reloj base de 560 MHz, memoria de 12 GB
g 3584 núcleos, reloj base de 1189 MHz, memoria de 16 GB
h
3072 núcleos, reloj base de 948 MHz, memoria de 12 GB
13
Machine Translated by Google

24 Computación cognitiva (2021) 13: 1–33

a Codificador automático apilado (CPU) b Codificador automático apilado (GPU-GTX Titan X)

256 Degradado Delantero 64 256 64

Degradado Delantero
128 1 6 12 1 6 12 32
128 32

64 64 dieciséis

dieciséis 8
32 32
4
dieciséis 8 dieciséis

2
8 8
4 1
4 4 0.5
2
2 2 0.25
1 1 1 0.125

C d
LSTM (CPU) LSTM (GPU-GTX980)
16384 1024
1248 16 32 64 128 256 512 1024 tensorflow
4096
256
1024 Teano
256 64
Antorcha
64 dieciséis

MCT
dieciséis

4
4

1 1 MXNet
mi F
LSTM (GPU-GTX1080) LSTM (GPU-Tesla K80)
4096 16384
64 128 256 512 1024 64 128 256 512 1024
1024 4096

1024
256
256
64
64
dieciséis

dieciséis

4 4

1 1

Fig. 5 Evaluación comparativa de codificador automático apilado o DA (a, b) y LSTM (cf) en plataformas de CPU y GPU. Los números en (a, c) indican la cantidad de
subprocesos de CPU empleados en el proceso de evaluación comparativa, y en (df) indican el tamaño del lote. En el caso de DA, el tamaño del lote fue de 64

Todavía una gran parte del análisis de patrones se realiza mediante
CNN; por lo tanto, nos enfocamos aún más en CNN e investigamos cómo
las herramientas líderes se desempeñaron y escalaron en el entrenamiento
de diferentes redes de CNN en diferentes plataformas de GPU. La
aceleración del tiempo de la GPU sobre la CPU se considera una métrica
para este propósito. Los valores individuales se calculan utilizando los
scripts de referencia de DeepMark [259] en la configuración experimental
número 3 (Tabla 8) para una iteración de entrenamiento por lote. El
tiempo necesario para ejecutar una iteración de entrenamiento por lote
es igual al tiempo necesario para completar una operación de propagación
hacia adelante seguida de una operación de propagación hacia atrás. La
Figura 6 resume el tiempo de entrenamiento por iteración por lote tanto
para CPU como para GPU (eje y izquierdo) y la correspondiente
aceleración de GPU sobre CPU (eje y derecho).
Estos hallazgos para cuatro modelos de red CNN diferentes (es decir,
Alexnet [92], GoogLeNet [94], Overfeat [263] y VGG [93]) disponibles en
cuatro herramientas (es decir, Caffe, TensorFlow,
Theano y Torch) [264] sugieren claramente que el proceso de
entrenamiento de la red se acelera mucho en las GPU en comparación
con las CPU. Además, otro mensaje importante es que no todas las GPU
son iguales y todas las herramientas no se amplían al mismo ritmo. El
tiempo necesario para entrenar una red neuronal depende en gran
medida del marco de trabajo de DL que se utilice. En cuanto a la
plataforma de hardware, el acelerador Tesla P100 proporciona la mejor
aceleración, siendo Tesla M40 el segundo y Tesla K80 el último entre los
tres. En las CPU, TensorFlow logra el menor tiempo de entrenamiento, lo
que indica un entrenamiento más rápido de la red.
En las GPU, Caffe suele proporcionar la mejor aceleración que la CPU,
pero TensorFlow y Torch realizan un entrenamiento más rápido que
Caffe. Aunque TensorFlow y Torch tienen rendimientos similares
(indicados por la altura de las líneas), Torch supera ligeramente a
TensorFlow en la mayoría de las redes. Finalmente, la mayoría de las
herramientas superan a Theano.

13
Machine Translated by Google

Computación cognitiva (2021) 13: 1–33 25

Problemas abiertos y perspectivas futuras identifique a continuación las deficiencias y los cuellos de botella de
los métodos populares, abra las preguntas de investigación y los
El cerebro tiene la capacidad de reconocer y comprender patrones desafíos, y describa las posibles direcciones que requieren atención
casi instantáneamente. Durante varias décadas, los científicos han en el futuro cercano.

intentado descifrar el mecanismo biológico del reconocimiento de En primer lugar, los métodos de DL generalmente requieren grandes conjuntos de datos.

patrones naturales que tiene lugar en el cerebro y traducir esos
principios en sistemas de IA. El creciente conocimiento sobre las
políticas de procesamiento de información del cerebro permitió que
esta analogía fuera adoptada e implementada en los sistemas
informáticos. Los avances tecnológicos recientes, la integración
perfecta de diversas técnicas, una mejor comprensión de los sistemas
de aprendizaje, la disminución de los costos de computación y la
expansión de los sistemas informáticos potenciados por la potencia
computacional para alcanzar la computación a nivel humano en ciertos
escenarios [265]. No obstante, muchos de estos métodos requieren
mejoras. Aunque es cierto que existen distinciones sobre cómo se
puede usar y aplicar un método basado en DL en datos biológicos, sin
embargo, los problemas y desafíos abiertos comunes son igualmente
aplicables e importantes para los datos biológicos. Nosotros
Aunque el costo de la computación está disminuyendo con el
aumento de la potencia y la velocidad computacional, no vale la pena
aplicar métodos de DL en casos de conjuntos de datos de tamaño
pequeño a moderado. Esto es particularmente así si se considera que
muchos de los métodos de DL realizan transformaciones geométricas
continuas de una variedad de datos a otra con la suposición de que
existen funciones de transferencia aprendibles que pueden realizar el
mapeo [266]. Sin embargo, en los casos en que las relaciones entre
los datos son causales o muy complejas de aprender mediante
transformaciones geométricas, los métodos de DL fallan
independientemente del tamaño del conjunto de datos [267]. Además,
la interpretación de los resultados de alto nivel de los métodos de DL
es difícil debido a la inadecuada comprensión profunda de las teorías
de DL, lo que hace que muchos de estos modelos se consideren como "caja negra".

a alexnet b GoogleLeNet
8192 UPC GPU Acelerar 100 32768 UPC GPU Acelerar 100

4096 16384

2048 75 8192 75

1024 4096
512 50 2048 50

256 tesla p100 1024 tesla p100

tesla k80 tesla k80
128 25 512 25
tesla m40 tesla m40
64 256
32 0 128 0

Antorcha Antorcha Antorcha Antorcha Antorcha Antorcha

el ean o el ean o el ean o el ean o el ean o el ean o
Caffe Ten so rflow Caffe Ten so rflow Caffe Ten so rflow Caffe Ten so rflow Caffe Ten so rflow Caffe Ten so rflow

C vencer d VGG

16384
UPC GPU Acelerar 100 65536
UPC GPU Acelerar 100

8192 32768

4096 75 16384 75
8192
2048
4096
1024 50 50
2048
512
tesla p100 1024 tesla p100
256 tesla k80 25 tesla k80 25
512
tesla m40 tesla m40
128 256
64 0 128 0

Antorcha Antorcha Antorcha Antorcha Antorcha Antorcha

el ean o el ean o el ean o el ean o el ean o el ean o
Caffe Ten so rflow Caffe Ten so rflow Caffe Ten so rflow Caffe Ten sor flow Caffe Ten so rflow Caffe Ten so rflow

Fig. 6 La aceleración del entrenamiento de CNN en diferentes herramientas de DL en varias GPU en comparación con la CPU. Los valores informados se calcularon para un
tamaño de lote de 128, excepto para VGG para el cual el tamaño de lote fue de 64

13
Machine Translated by Google
26
[268]. Además, como muchas otras técnicas de ML, DL también es
susceptible de clasificación errónea [269] y sobreclasificación [270].
Además, la capacidad de explotar todos los beneficios que ofrecen los
repositorios de datos de acceso abierto, en términos de intercambio y
reutilización de datos, a menudo se ve obstaculizada por la falta de
estándares de datos de informes unificados y la falta de uniformidad de la
información notificada [271]. La procedencia de los datos, la conservación y
la anotación de estos grandes datos biológicos también son grandes desafíos [272].
Además, a excepción de muy pocas grandes empresas, el poder de la
computación paralela y distribuida a través de la computación en la nube
sigue sin explorarse en gran medida para las técnicas de DL. Debido al
hecho de que las técnicas de DL requieren un nuevo entrenamiento para
diferentes conjuntos de datos, el entrenamiento repetido se convierte en un
cuello de botella para los entornos de computación en la nube. Además, en
tales entornos distribuidos, las preocupaciones sobre la seguridad y la
privacidad de los datos aún prevalecen [273], y la capacidad de procesamiento
en tiempo real de los datos experimentales está subdesarrollada [274].
Para mitigar las deficiencias y abordar los problemas abiertos, es
necesario mejorar los fundamentos teóricos existentes de los métodos DL.
Se requiere que los modelos DL no solo puedan describir datos específicos,
sino también generalizarlos sobre la base de datos experimentales, lo cual
es crucial para cuantificar el rendimiento de los modelos NN individuales
[275]. Estas mejoras deberían tener lugar en varias direcciones y abordar
problemas como la evaluación cuantitativa de la eficiencia de aprendizaje
del modelo individual y la complejidad computacional asociada en relación
con estrategias de ajuste de parámetros bien definidas, la capacidad de
generalizar y autoorganizarse topológicamente en función de las propiedades
basadas en datos. Además, para facilitar la interpretación intuitiva y menos
engorrosa de los resultados del análisis, se deben incorporar nuevas
herramientas para la visualización de datos en los marcos de DL.
Los desarrollos recientes en métodos combinados pertenecientes al
aprendizaje de refuerzo profundo (LR profundo) se han aplicado popularmente
a muchos dominios de aplicación (para una revisión sobre RL profundo,
consulte [276]). Sin embargo, los métodos de RL profunda aún no se han
aplicado a los problemas de reconocimiento de patrones biológicos.
Por ejemplo, analizar y agregar patrones que cambian dinámicamente en
datos biológicos provenientes de múltiples niveles podría ayudar a eliminar
la redundancia de datos y descubrir biomarcadores novedosos para la
detección y prevención de enfermedades. Además, se necesitan nuevos
métodos de RL profunda para reducir el gran conjunto de datos de
entrenamiento etiquetados que se requiere actualmente.
Se requieren esfuerzos renovados para la estandarización, anotación,
conservación y procedencia de los datos y sus fuentes, además de garantizar
la uniformidad de la información entre los diferentes repositorios. Además,
para mantenerse al día con el rápido crecimiento de los grandes datos, se
necesitan con urgencia infraestructuras informáticas potentes y seguras en
términos de computación distribuida, en la nube y paralela, adaptadas a
estos mecanismos de aprendizaje tan bien entendidos. Por último, hay
muchos otros populares
13
Computación cognitiva (2021) 13: 1–33
Herramientas DL (p. ej., Keras, Chainer, Lasagne) y arquitecturas (p. ej.,
DBN) que deben evaluarse comparativamente para proporcionar a los
usuarios una lista más completa para elegir. Además, los puntos de referencia
actualmente disponibles se realizan principalmente en datos no biológicos, y
su escalabilidad a datos biológicos es deficiente; por lo tanto, se necesitan
evaluaciones comparativas especializadas sobre datos biológicos.
Para obtener información de una imagen, una secuencia o un problema
de análisis de señales, es posible que un algoritmo de DL seleccionado que
utilice una biblioteca o una herramienta (p. ej., TensorFlow, Keras, PyTorch,
etc.) deba integrarse con un marco de big data (p. ej. , Hadoop, Spark, etc.).
En tales casos, la resolución de problemas en el modelo y la depuración del
código pueden ser un gran desafío para el diseñador del sistema debido a la
ejecución paralela de múltiples subprocesos que no siempre se ejecutan de
manera ordenada. La falta de documentación y transparencia de modelos
de estas bibliotecas puede hacer que sea imposible para el director del
proyecto estimar los esfuerzos necesarios para completar con éxito un
proyecto.
Conclusión
Los diversos datos biológicos provenientes de diferentes dominios de
aplicación son de naturaleza multimodal, multidimensional y compleja. En
la actualidad, una gran cantidad de estos datos están disponibles
públicamente. El acceso asequible a estos datos vino con un gran desafío
para analizar y reconocer patrones en ellos que requieren herramientas
sofisticadas de ML para hacer el trabajo. Como resultado, muchas
herramientas analíticas basadas en ML se han desarrollado e informado en
las últimas décadas y este proceso se ha visto facilitado en gran medida por
la disminución de los costos computacionales, el aumento de la potencia
informática y la disponibilidad de almacenamiento económico. Con la ayuda
de estas técnicas de aprendizaje, las máquinas han sido entrenadas para
comprender y descifrar patrones e interacciones complejos de variables en
datos biológicos. Para facilitar una difusión más amplia de las técnicas de DL
aplicadas a datos biológicos y servir como punto de referencia, este artículo
proporciona un estudio exhaustivo de la literatura sobre la aplicación de esas
técnicas en datos biológicos y los repositorios de datos de acceso abierto
relevantes. También enumera las herramientas y marcos de código abierto
existentes que implementan varios métodos de DL y compara estas
herramientas por su popularidad y rendimiento. Finalmente, concluye
señalando algunos temas abiertos y proponiendo algunas perspectivas de
futuro.
Agradecimientos Los autores desean agradecer a los miembros de
acslab (http://www.acslab.info/) por sus valiosos debates.
Contribuciones de los autores Este trabajo se llevó a cabo en estrecha
colaboración entre todos los autores. MM y MSK concibieron la idea,
desarrollaron el método y los experimentos, analizaron los datos obtenidos
y escribieron el manuscrito. TMM y AH editado el manuscrito. Todos los
autores han contribuido, visto y aprobado el documento.
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
Cumplimiento de Normas Éticas
Conflicto de intereses Los autores declaran que la investigación se realizó en
ausencia de cualquier relación comercial o fnanciera que pudiera interpretarse como
un potencial conflicto de intereses.
Aprobación ética Este artículo no contiene ningún estudio con participantes
humanos o animales.
Consentimiento informado Como este artículo no contiene ningún estudio con
participantes humanos o animales, el consentimiento informado no es aplicable.
Acceso abierto Este artículo tiene una licencia internacional Creative Commons
Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y
la reproducción en cualquier medio o formato, siempre que se otorgue el crédito
correspondiente al autor o autores originales y a la fuente, proporcione un enlace a
la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u
otro material de terceros en este artículo están incluidos en la licencia Creative
Commons del artículo, a menos que se indique lo contrario en una línea de crédito
al material. Si el material no está incluido en la licencia Creative Commons del
artículo y su uso previsto no está permitido por la regulación legal o excede el uso
permitido, deberá obtener el permiso directamente del titular de los derechos de
autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/
by/4.0/.
Referencias
1. Coleman W. Biología en el siglo XIX: problemas de forma, función y
transformación. Cambridge; Nueva York: Cambridge University Press; 1977.
2. Magner LN. Una historia de las ciencias de la vida. 3ra ed. Nueva York: m.
Dekker; 2002.
3. Brenner S. Historia de la ciencia. La revolución en las ciencias de la vida.
Ciencias. 2012;338(6113):1427–8.
4. Shendure J, Ji H. Secuenciación de ADN de próxima generación. Nat Biotech
nol. 2008;26(10):1135–45.
5. Metzker ML. Tecnologías de secuenciación de próxima generación. Nat Rev.
Genet. 2010;11(1):31–46.
6. Vadivambal R, Jayas DS. Bioimagen: principios, técnicas y aplicaciones. Boca
Raton, FL: CRC Press, Taylor & Francis Group; 2016.
7. Poldrack RA, Farah MJ. Avances y desafíos en el sondeo del cerebro humano.
Naturaleza. 2015;526(7573):371–9.
8. Lebedev MA, Nicolelis MAL. Interfaces cerebro-máquina: de la ciencia básica
a las neuroprótesis y la neurorrehabilitación. Phys Rev. 2017;97(2):767–837.
9. Quackenbush J. Extrayendo biología de datos biológicos de alta dimensión. J
Exp Biol. 2007;210:1507–17.
10. Mattmann CA. Informática: una visión para la ciencia de datos. Naturaleza.
2013;493(7433):473–5.
11. Li Y, Chen L. Grandes datos biológicos: desafíos y oportunidades. Genómica
Proteómica Bioinformática. 2014;12(5):187–9.
12. Marx V. Biología: Los grandes retos del big data. Naturaleza.
2013;498(7453):255–60.
13. Tarca AL, Carey VJ, Chen Xw, Romero R, Draghici S. Aprendizaje automático
y sus aplicaciones a la biología. PLoS Comput Biol. 2007;3(6):e116.
14. Hopfeld JJ. Redes neuronales artificiales. Dispositivos de circuitos IEEE Mag.
1988;4(5):3–10.
15. Hecht-Nielsen R. Teoría de la red neuronal de retropropagación. En: Proc.
IJCNN 1989; 1989. pág. 593–605.
27
16. Hopfeld JJ. Las neuronas con respuesta graduada tienen propiedades
computacionales colectivas como las de las neuronas de dos estados.
PNAS. 1984;81(10):3088–92.
17. Ackley DH, Hinton GE, Sejnowski TJ. Un algoritmo de aprendizaje para
máquinas de Boltzmann. Ciencia cognitiva. 1985;9(1):147–69.
18. Salakhutdinov R, Mnih A, Hinton G. Máquinas restringidas de Boltzmann para
filtrado colaborativo. En: Proc. ICML; 2007. pág. 791–798.
19. Maass W. Redes de neuronas en punta: la tercera generación de modelos de
redes neuronales. Red neuronal 1997;10(9):1659–71.
20. Heckerman D. Un tutorial sobre el aprendizaje con redes bayesianas. En:
Jordan MI, editor. Aprendizaje en Modelos Gráficos.
89. Springer Países Bajos; 1998. pág. 301–354.
21. Cortes C, Vapnik V. Redes de vectores de soporte. Aprender Mach.
1995;20(3):273–97.
22. Yuan GX, Ho CH, Lin CJ. Avances recientes en la clasificación lineal a gran
escala. Proc IEEE. 2012;100(9):2584–603.
23. Pescador RA. El uso de múltiples mediciones en problemas taxonómicos. Ana
Eugenesia. 1936;7(2):179–88.
24. Uysal I, Güvenir HA. Una descripción general de las técnicas de regresión
para el descubrimiento de conocimiento. Knowl Eng Rev. 1999;14(4):319–40.
25. Rish I. Un estudio empírico del clasificador ingenuo de Bayes. En: Proc. 2001
IJCAI. vol. 3; 2001. pág. 41–46.
26. Cover T, Hart P. Clasificación del patrón del vecino más cercano. IEEE
Teoría Trans Inf. 1967;13(1):21–7.
27. Rabiner L, Juang B. Una introducción a los modelos ocultos de Markov.
Mag. IEEE ASSP. 1986;3(1):4–16.
28. Kohavi R, Quinlan JR. Tareas y métodos de minería de datos: clasificación:
descubrimiento del árbol de decisión. En: Klösgen W, Zytkow JM, editores.
manual de minería de datos y descubrimiento de conocimiento.
Nueva York, NY, EE. UU.: Oxford University Press, Inc.; 2002. pág. 267–276.
29. Hinton GE. Procedimientos de aprendizaje conexionista. Inteligencia artificial.
1989;40(1–3):185–234.
30. Dempster AP, Laird NM, Rubin DB. Máxima probabilidad de datos incompletos
a través del algoritmo EM. Método JR Stat Soc Serie B. 1977;39(1):1–38.
31. Tishby N, Pereira FC, Bialek W. El método del cuello de botella de la
información. En: Proc. 37 ACCCC. 1999. pág. 368-377.
32. Kohonen T. Formación autoorganizada de mapas de características
topológicamente correctos. Biol Cybernet. 1982;43(1):59–69.
33. Agrawal R, Imieliÿski T, Swami A. Reglas de asociación minera entre conjuntos
de elementos en grandes bases de datos. En: Proc. ACM SIG MOD '93.
1993. pág. 207–216.
34. Gordon AD. Una revisión de la clasificación jerárquica. JR Stat Soc Serie A
General. 1987;150(2):119–37.
35. Ball G, Hall D. ISODATA, un nuevo método de análisis de datos y clasificación
de patrones. Stanford, CA: Instituto de Investigación de Stanford; 1965.
36. Dunn JC. Un pariente borroso del proceso ISODATA y su uso en la detección
de clústeres compactos bien separados. J Cibernet. 1973;3(3):32–57.
37. Juan AH. Algoritmos de agrupamiento. Nueva York, NY, EE. UU.: John Wiley
& Sons, Inc.; 1975.
38. Kriegel HP, Kroger P, Sander J, Zimek A. Clustering basado en la densidad.
WIRES Data Min Knowl. 2011;1(3):231–40.
39. Ankerst M, Breunig MM, Kriegel HP, Sander J. OPTICS: ordenar puntos para
identificar la estructura de agrupamiento. En: Proc. ACM SIGMOD'99. 1999.
pág. 49–60.
40. Horgan RP, Kenny LC. Tecnologías ómicas: genómica, transcriptómica,
proteómica y metabolómica. Obstet Gynecol. 2011;13(3):189–95.
41. Libbrecht MW, Noble WS. Aplicaciones de aprendizaje automático en genética
y genómica. Nat Rev. Genet. 2015;16(6):321–32.
13
Machine Translated by Google
28
42. Lemm S, Blankertz B, Dickhaus T, Müller KR. Introducción al aprendizaje automático
para imágenes cerebrales. Neuroimagen. 2011;56(2):387–99.
43. Erickson BJ, Korfatis P, Akkus Z, Kline TL. Aprendizaje automático para imágenes
médicas. Radiografías. 2017;37(2):505–15.
44. Kan A. Aplicaciones de aprendizaje automático en el análisis de imágenes celulares.
Inmunol Cell Biol. 2017;95(6):525–30.
45. Vidaurre C, Sannelli C, Müller KR, Blankertz B. Calibración coadaptativa basada en
aprendizaje automático para interfaces cerebro-computadora.
Cómputo neural. 2010;23(3):791–816.
46. Mala S, Latha K. Selección de características en la clasificación de los movimientos
oculares mediante electrooculografía para el reconocimiento de actividad. Com
Matemáticas Met Med. 2014 diciembre;2014.
47. Mahmud M. Vassanelli S. Procesamiento y análisis de señales neuronales
extracelulares multicanal: estado del arte y desafíos.
Neurociencia frontal. 2016. pág. 10
48. Lecun Y, Bengio Y, Hinton G. Aprendizaje profundo. Naturaleza. 2015 5;521(7553):436–
444.
49. Yahaya SW, Lotf A, Mahmud M. Un enfoque de conjunto de detección de novedad
de consenso para la detección de anomalías en las actividades de la vida diaria.
Computación blanda aplicada. 2019;83:105613.
50. Fabietti M, Mahmud M, Lotf A, Averna A, Guggenmo D, Nudo R, et al. Detección de
artefactos basada en redes neuronales en potenciales de campo locales registrados
a partir de sondas neuronales implantadas crónicamente.
En: Proc. IJCNN; 2020. pág. 1–8.
51. Mahmud M, Kaiser MS, Hussain A, Vassanelli S. Aplicaciones del aprendizaje
profundo y el aprendizaje por refuerzo a los datos biológicos.
IEEE Trans Neural Netw Learn Syst. 2018;29(6):2063–79.
52. Mahmud M, Kaiser MS, Hussain A. Aprendizaje profundo en la extracción de datos
biológicos. arXiv:200300108 [cs, q-bio, estadística]. febrero de 2020; pág.
1–36. ArXiv: 2003.00108. Disponible en: http://arxiv.org/
abs/2003.00108.
53. Dey N, Rajinikanth V, Fong SJ, Kaiser MS, Mahmud M.
La optimización de grupos sociales ayudó a la entropía y la segmentación
morfológica de Kapur para la detección automática de la infección por COVID-19 a
partir de imágenes de tomografía computarizada. Cómputo Cognitivo.
2020;12(5):1011–1023.
54. Aradhya MVN, Mahmud M, Guru D, S Agrawal B, Kaiser MS.
Enfoque basado en grupos de un disparo para la detección de COVID-19 a partir
de imágenes de rayos X de tórax. Cómputo Cognitivo. 2020; pág. 1–8.
55. Noor MBT, Zenia NZ, Kaiser MS, Mahmud M, Al Mamun S.
Detección de enfermedades neurodegenerativas a partir de resonancias magnéticas: una breve
revisión desde una perspectiva de aprendizaje profundo. En: Liang P, Goel V, Shan C, editores.
Cerebro Informar. Cham: publicación internacional de Springer; 2019. pág. 115–
125.
56. Ali HM, Kaiser MS, Mahmud M. Aplicación de la red neuronal convolucional en la
segmentación de regiones cerebrales a partir de datos de resonancia magnética.
En: Liang P, Goel V, Shan C, editores. Cerebro Informar. Cham: publicación
internacional de Springer; 2019. pág. 136–146.
57. Miah Y, Prima CNE, Seema SJ, Mahmud M, Kaiser MS. Comparación de rendimiento
de técnicas de aprendizaje automático en la identificación de demencia a partir de
conjuntos de datos clínicos de acceso abierto. En: Proc. ICACIn.
Springer, Singapur; 2020. pág. 79–89.
58. Watkins J, Fabietti M, Mahmud M. SENTIDO: un cuantificador de rendimiento de los
estudiantes mediante el análisis de sentimientos. En: Proc. IJCNN; 2020. pág. 1–6.
59. Rabby G, Azad S, Mahmud M, Zamli KZ, Rahman MM. TeKET: una técnica de
extracción de frases clave no supervisada basada en árboles. Cómputo Cognitivo.
2020;12(5):811–33.
60. Orojo O, Tepper J, McGinnity TM, Mahmud M. Una red de renta multi-recurrente
para la predicción del precio del petróleo crudo. En: Proc. SSCI; 2019. pág. 2940–
2945.
61. Ching T, et al. Oportunidades y obstáculos para el aprendizaje profundo en biología
y medicina. bioRxiv. 2017; pág. 142760.
62. Bengio Y. Aprendizaje de arquitecturas profundas para IA. Tendencias encontradas
Mach Learn. 2009;2(1):1–127.
13
Computación cognitiva (2021) 13: 1–33
63. Goodfellow I, Bengio Y, Courville A. Aprendizaje profundo. Cambridge, EE. UU.: MIT
Press; 2016.
64. Saxe AM, McClelland JL, Ganguli S. Soluciones exactas a la dinámica no lineal del
aprendizaje en redes neuronales lineales profundas. En: Proc.
ICLR; 2014. pág. 1–22.
65. Schmidhuber J. Aprendizaje profundo en redes neuronales: una descripción general.
Red neuronal 2015;61:85–117.
66. Zeng D, Zhao F, Shen W, Ge S. Compresión y aceleración de la red neuronal para
la localización de puntos faciales. Cómputo Cognitivo. 2018;10(2):359–67.
67. Salakhutdinov R, Hinton GE. Máquinas profundas de Boltzmann. En: Proc.
AISTATS2009; 2009. pág. 448–455.
68. Geman S, Geman D. Relajación estocástica, distribuciones de Gibbs y la restauración
bayesiana de imágenes. IEEE Trans Patrón Anal Mach Intel. 1984;6(6):721–41.
69. Fischer A, Igel C. Una introducción a las máquinas restringidas de Boltzmann. En:
Proc. CIARP 2012; 2012. pág. 14–36.
70. Desjardins G, Courville AC, Bengio Y. Sobre el entrenamiento de máquinas
Boltzmann profundas. CoRR. 2012;abs/1203.4416.
71. Tieleman T. Training restringió las máquinas de Boltzmann utilizando aproximaciones
al gradiente de probabilidad. En: Proc. ICML; 2008. pág. 1064–1071.
72. Guo Y, Liu Y, Oerlemans A, Lao S, Wu S, Lew MS. Aprendizaje profundo para la
comprensión visual: una revisión. Neurocomputación. 2016;187:27–48.
73. Hinton GE, Osindero S, Teh YW. Un algoritmo de aprendizaje rápido para redes de
creencias profundas. Cómputo neuronal. 2006;18(7):1527–54.
74. Bi X, Zhao X, Huang H, Chen D, Ma Y. Clasificación funcional de la red cerebral para
la detección de la enfermedad de Alzheimer con características profundas y
máquina de aprendizaje extremo. Cómputo Cognitivo. 2020;12:513–527.
75. Ravi D, Wong C, Deligianni F, Berthelot M, et al. Aprendizaje profundo para la
informática de la salud. Informe de salud IEEE J Biomed. 2017;21(1):4–21.
76. Vincent P, Larochelle H, Lajoie I, Bengio Y, Manzagol PA.
Autocodificadores de eliminación de ruido apilados: aprendizaje de representaciones
útiles en una red profunda con un criterio de eliminación de ruido local. J Mach
Aprenda Res. 2010;11:3371–408.
77. Baldi P. Autoencoders, aprendizaje no supervisado y arquitectura profunda
turas En: Proc. CIUTLV; 2012. pág. 37–50.
78. Ranzato M, Poultney C, Chopra S, Cun YL. Aprendizaje eficiente de representaciones
dispersas con un modelo basado en energía. En: Proc.
PNI; 2006. pág. 1137-1144.
79. Kingma DP, Welling M. Bayes variacional de codificación automática.
CoRR. 2014;abs/1312.6114.
80. Rifai S, Vincent P, Muller X, Glorot X, Bengio Y. Codificadores automáticos
contractivos: invariancia explícita durante la extracción de características.
En: Proc. ICML; 2011. pág. 833–840.
81. Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, et al. Redes
generativas adversarias. En: Avances en los sistemas de procesamiento de
información neuronal; 2014. pág. 2672–2680.
82. Isola P, Zhu JY, Zhou T, Efros AA. Traducción de imagen a imagen con redes
antagónicas condicionales. En: Proc.IEEE CVPR; 2017. pág. 1125–1134.
83. Wang Z, Healy G, Smeaton AF, Ward TE. Uso de señales neuronales para evaluar la
calidad del rendimiento de la red adversaria generativa en la generación de
imágenes faciales. Cómputo Cognitivo. 2020;12(1):13–24.
84. Pascanu R, Gulcehre C, Cho K, Bengio Y. Cómo construir redes neuronales
recurrentes profundas. En: Proc. ICLR; 2014. pág. 1–13.
85. Elman JL. Encontrar estructura en el tiempo. Ciencia cognitiva. 1990;14(2):179–21111.
86. Schuster M, Paliwal KK. Redes neuronales recurrentes bidireccionales. Proceso de
señal de transmisión IEEE. 1997;45(11):2673–81.
87. Hochreiter S, Schmidhuber J. Memoria larga a corto plazo. Cómputo neuronal.
1997;9(8):1735–80.
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
88. Lipton ZC, Berkowitz J, Elkan C. Una revisión crítica de las redes neuronales
recurrentes para el aprendizaje de secuencias. CoRR. mayo de 2015; CoRR:
1506.00019.
89. Ma Y, Peng H, Khan T, Cambria E, Hussain A. Sentic LSTM: una red híbrida para
el análisis de sentimiento basado en aspectos específicos.
Cómputo Cognitivo. 2018;10(4):639–50.
90. Wiatowski T, Bölcskei H. Una teoría matemática de las redes neuronales
convolucionales profundas para la extracción de características. Teoría de
información trans IEEE. 2017;64(3):1845–66.
91. LeCun Y, Bengio Y. Redes convolucionales para imágenes, voz y series
temporales. En: Arbib MA, editor. el manual de teoría del cerebro y redes
neuronales. Cambridge, MA, EE. UU.: MIT Press; 1998. pág. 255–258.
92. Krizhevsky A, Sutskever I, Hinton GE. Clasificación de ImageNet con redes
neuronales convolucionales profundas. En: Proc. PNI; 2012. pág. 1097-1105.
93. Simonyan K, Zisserman A. Redes convolucionales muy profundas para el
reconocimiento de imágenes a gran escala. CoRR. 2014;abs/1409.1556.
94. Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, et al. Profundizando
con las circunvoluciones. En: Proc. CVPR2015; 2015. pág. 1–9.
95. Heinsfeld AS, Franco AR, Craddock RC, Buchweitz A, Meneguzzi F. Identificación
del trastorno del espectro autista mediante el aprendizaje profundo y el conjunto
de datos ABIDE. NeuroImagen: Clin. 2018;17:16 – 23.
96. Kuang D, He L. Clasificación sobre TDAH con aprendizaje profundo.
En: Proc. CCBD; 2014. pág. 27–32.
97. HosseiniAsl E, Gimelfarb GL, El-Baz A. Diagnóstico de la enfermedad de
Alzheimer mediante una red convolucional 3D adaptable profundamente
supervisada. CoRR. 2016;abs/1607.00556.
98. Suk HI, Lee SW, Shen D. Representación de características jerárquicas y fusión
multimodal con aprendizaje profundo para el diagnóstico de EA/DCL.
Neuroimagen. 2014;101:569–82.
99. Li F, Tran L, Thung KH, Ji S, Shen D, Li J. Un modelo profundo robusto para
mejorar la clasificación de pacientes con EA/DCL. Informe de salud IEEE J
Biomed. 2015;19(5):1610–6.
100. Havaei M, Guizard N, Larochelle H, Jodoin PM. Tendencias de aprendizaje
profundo para la segmentación de patología cerebral focal en resonancia
magnética. En: Holzinger A, editor. Aprendizaje automático para la informática
de la salud: estado del arte y desafíos futuros. Cham: Springer; 2016. pág. 125–
148.
101. Fritscher K, Raudaschl P, Zafno P, Spadea MF, Sharp GC, et al. Redes neuronales
profundas para una segmentación rápida de imágenes médicas en 3D. En:
Proc. MICCAI; 2016. pág. 158–165.
102. Iqbal T, Ali H. Red antagónica generativa para imágenes médicas (MI-GAN). J
Med Syst. 2018;42(11):231.
103. Ciresan D, Giusti A, Gambardella L, Schmidhuber J. Las redes neuronales
profundas segmentan la membrana neuronal en imágenes de microscopía electrónica.124. Wang S, Peng J, Ma J, Xu J. Predicción de estructura secundaria de proteínas
En: Proc. PNI; 2012. pág. 2843–2851.
104. Stollenga MF, Byeon W, Liwicki M, Schmidhuber J. Parallel multidimensional
LSTM, with application to fast biomedical volumetric image segmentation. En:
Proc. PNI; 2015. pág. 2980–88.
105. Kleesiek J, Urban G, Hubert A, Schwarz D, Maier-Hein K, Bend szus M, et al.
Extracción profunda del cerebro por resonancia magnética: una red neuronal
convolucional 3D para la extracción del cráneo. Neuroimagen. 2016;129:460–9.
106. Cho J, Lee K, Shin E, Choy G, Do S. Aprendizaje profundo de imágenes médicas
con el conjunto de datos PACS del hospital. CoRR. 2015;abs/1511.06348.
107. Ngo T, et al. Combinando el aprendizaje profundo y el conjunto de niveles para
la segmentación automatizada del ventrículo izquierdo del corazón de cardio
cine mr. Anal de imagen médica. 2017;35:159–71.
108. Ciresan D, Giusti A, Gambardella L, Schmidhuber J. Detección de mitosis en
imágenes histológicas de cáncer de mama con redes neuronales profundas.
En: Proc. MICCAI; 2013. pág. 411–4188.
29
109. Kamnitsas K, Ledig C, Newcombe VFJ, Simpson J, et al. CNN 3D multiescala
eficiente con CRF totalmente conectado para una segmentación precisa de
lesiones cerebrales. Anal de imagen médica. 2017;36:61–78.
110. Lu N, Li T, Ren X, Miao H. Un esquema de aprendizaje profundo para la
clasificación de imágenes motoras basado en máquinas restringidas de Boltzmann.
IEEE Trans Neural Syst Rehabil Ing. 2016; 99
111. Yang H, Sakhavi S, Ang KK, Guan C. Sobre el uso de redes neuronales
convolucionales y características CSP aumentadas para imágenes motoras
de clases múltiples de clasificación de señales EEG. En: Proc. 37º IEEE EMBC;
2015. pág. 2620–2623.
112. Tabar YR, Halici U. Un nuevo enfoque de aprendizaje profundo para la clasificación
de señales de imágenes motoras EEG. J Neural Ing. 2017;14(1):016003.
113. Sakhavi S, Guan C, Yan S. Red neuronal lineal convolucional paralela para la
clasificación de imágenes motoras. En: Proc. EUSIPCO; 2015. pág. 2786–2790.
114. Li K, Li X, Zhang Y, Zhang A. Reconocimiento del estado afectivo de EEG con
redes de creencias profundas. En: Proc. BIBM; 2013. pág. 305–310.
115. Jia X, Li K, Li X, Zhang A. Un nuevo marco de aprendizaje profundo
semisupervisado para el reconocimiento de estados afectivos en señales de
EEG. En: Proc. BIBE IEEE; 2014. pág. 30–37.
116. Tripathi S, Acharya S, Sharma R, Mittal S, et al. Uso de redes neuronales
profundas y convolucionales para una clasificación precisa de las emociones
en el conjunto de datos DEAP. En: Proc. 29ª IAAI; 2017. pág. 4746–4752.
117. Chen G, Zhu Y, Hong Z, Yang Z. EmocionalGAN: generación de ECG para
mejorar la clasificación del estado emocional. En: Proc. AICS 2019. 2019. pág.
309-313.
118. Mirowski P, Madhavan D, LeCun Y, Kuzniecky R. Clasificación de patrones de
sincronización de EEG para la predicción de convulsiones. Clin Neurofisiol.
2009;120(11):1927–40.
119. Jirayucharoensak S, Pan-Ngum S, Israsena P. Reconocimiento de emociones
basado en EEG utilizando una red de aprendizaje profundo con adaptación de
cambio de covariable basada en componentes principales. Scientific World J.
2014;p. 1–10.
120. Wu Z, Ding X, Zhang G. Un método novedoso para clasificar las arritmias de ECG
utilizando redes de creencias profundas [artículo de revista]. Aplicación J Comp
Intel. 2016;15:1650021.
121. Yan Y, Qin X, Wu Y, Zhang N, Fan J, et al. Una clasificación electrocardiográfica
de dos derivaciones basada en una máquina Boltz-mann restringida.
En: Proc. BSN; 2015. pág. 1–9.
122. Atzori M, Cognolato M, Müller H. Aprendizaje profundo con redes neuronales
convo lucionales aplicadas a datos de electromiografía: un recurso para la
clasificación de movimientos para manos protésicas.
Neurorobot frontal. 2016;10:9.
123. Huanhuan M, Yue Z. Clasificación de señales de electrocardiograma con DBN.
En: Proc. CSE de IEEE; 2014. pág. 7–12.
usando campos neurales convolucionales profundos. Informes científicos.
2016 noviembre; 6 (1).
125. Alipanahi B, Delong A, Weirauch MT, Frey BJ. Predicción de las especificidades
de secuencia de proteínas de unión a ADN y ARN mediante aprendizaje
profundo. Naturaleza Biotecnología. 2015;33(8):831–8.
126. Chen G, Tsoi A, Xu H, Zheng WJ. Prediga la combinación efectiva de fármacos
mediante la red de creencias profundas y las huellas dactilares de la ontología.
J Biomed Informar. 2018;85:149–54.
127. Denas O, Taylor J. Modelado profundo de la regulación de la expresión génica en
un modelo de eritropoyesis. En: Proc. ICMLRL; 2013. pág. 1–5.
128. Kelley DR, Snoek J, Rinn JL. Basset: aprendiendo el código regulador del genoma
accesible con redes neuronales convolucionales profundas. Genoma Res.
2016;26(7):990–9.
129. Zhou J, Troyanskaya OG. Predicción de efectos de variantes no codificantes con
modelo de secuencia basado en aprendizaje profundo. Métodos de la
naturaleza. 2015;12(10):931–4.
13
Machine Translated by Google
30
130. Marouf M, et al. Generación realista in silico y aumento de datos de secuenciación de
ARN de una sola célula utilizando redes generativas antagónicas. Nat Comun.
2020;11:166.
131. Lee T, Yoon S. Máquina de Boltzmann categórica restringida impulsada para la predicción
computacional de uniones de empalme. En: Proc. ICML; 2015. pág. 2483–2492.
132. Zeng H, Edwards MD, Liu G, Giford DK. Arquitecturas de redes neuronales convolucionales
para predecir la unión ADN-proteína. Bioinformática. 2016;32(12):121–7.
133. Park S, Min S, Choi H, Yoon S. deepMiRGene: Predicción de microARN precursor
basada en redes neuronales profundas. CoRR. 2016;abs/1605.00017.
134. Lee B, Baek J, Park S, Yoon S. deepTarget: marco de aprendizaje de extremo a extremo
para la predicción de objetivos de miARN utilizando redes neuronales recurrentes
profundas. CoRR. 2016;abs/1603.09123.
135. Li H. Un método de reconstrucción de la estructura de proteínas basado en plantillas
utilizando el aprendizaje DA. J Proteómica Bioinform. 2016;9(12).
136. Ibrahim R, Yousri NA, Ismail MA, El-Makky NM. Selección de características de genes/
MiARN multinivel utilizando redes de creencias profundas y aprendizaje activo. En:
Proc. IEEE EMBC; 2014. pág. 3957–3960.
137. Chen L, Cai C, Chen V, Lu X. Aprendizaje transespecies de sistemas de señalización
celular con redes bimodales de creencias profundas. Bioinformática. septiembre de
2015;31(18):3008–3015.
138. Danaee P, Ghaeini R, Hendrix DA. Un enfoque de aprendizaje profundo para la detección
del cáncer y la identificación de genes relevantes. En: Proc. Pac.
Síntoma Biocomputación.. vol. 22; 2016. pág. 219–229.
139. Li Y, Fauteux F, Zou J, Nantel A, Pan Y. Predicción personalizada de genes con
mutaciones somáticas causantes de tumores basada en una máquina de Boltzmann
profunda multimodal. Neurocomputación. 2019;324:51–62.
140. Zhang T, Zhang L, Payne PRO, Li F. Predicción de combinación de fármacos sinérgicos
mediante la integración de datos multiómicos en modelos de aprendizaje profundo.
arXiv:181107054 [cs, q-bio, estadística]. noviembre de 2018; ArXiv: 1811.07054.
Disponible en: http://arxiv.org/abs/1811.07054.
141. Huang Y, Gulko B, Siepel A. Predicción rápida y escalable de variantes no codificantes
nocivas a partir de datos genómicos funcionales y de población. Geneta de la
Naturaleza. 2017;49:618–24.
142. Le EPV, Wang Y, Huang Y, Hickman S, Gilbert FJ. Inteligencia artificial en imagen
mamaria. Clín Radiol. 2019;74(5):357–66.
143. Yi X, Walia E, Babyn P. Red antagónica generativa en imágenes médicas: una revisión.
Anal de imagen médica. 2019;58:101552.
144. Sandfort V, Yan K, Pickhardt PJ, Summers RM. Aumento de datos utilizando redes
adversariales generativas (CycleGAN) para mejorar la generalización en tareas de
segmentación de CT. Sci Rep. 2019;9(1):1–9.
145. Armanious K, et al. MedGAN: traducción de imágenes médicas mediante GAN. Calcular
gráfico de imágenes médicas. 2020;79:101684.
146. Uemura T, et al. Modelo de predicción de supervivencia basado en GAN a partir de
imágenes de TC de pacientes con fbrosis pulmonar idiopática. En: Chen PH, Deserno
TM, editores. Imágenes médicas 2020: Informática de imágenes para atención médica,
investigación y aplicaciones. vol. 11318.
SPIE; 2020. pág. 354 – 359.
147. Thambawita V, Hammer HL, Riegler M, Halvorsen P. GANEx: una línea completa de
experimentos GAN de entrenamiento, inferencia y evaluación comparativa. En: Proc.
2019 CBMI. 2019. pág. 1–4.
148. Halicek M, et al. Red adversaria generativa condicional para sintetizar imágenes
hiperespectrales de células de cáncer de mama a partir de histología digitalizada. En:
Tomaszewski JE, Ward AD, editores. Medical Imaging 2020: Patología digital, vol.
11320. SPIE; 2020. pág. 198–205.
149. Zhu F, Ye F, Fu Y, Liu Q, Shen B. Generación de electrocardiogramas con una red
antagónica generativa LSTM-CNN bidireccional.
Sci Rep. 2019;9(1):1–11.
150. Yu L, Zhang W, Wang J, Yu Y. Seqgan: Secuencia de redes antagónicas generativas con
gradiente de políticas. En: Proc. 31ª Conferencia AAAI.
AI; 2017. pág. 2852–2858.
13
Computación cognitiva (2021) 13: 1–33
151. Ye F, Zhu F, Fu Y, Shen B. Generación de ECG con redes antagónicas generativas de
secuencia optimizadas por gradiente de políticas. Acceso IEEE. 2019;7:159369–
159378.
152. Luo Y, Lu BL. Aumento de datos de EEG para el reconocimiento de emociones utilizando
un Wasserstein GAN condicional. En: 2018 IEEE EMBC; 2018. pág. 2535–2538. ISSN:
1558-4615.
153. Usted S, et al. Detección automática no supervisada de convulsiones para convulsiones
de inicio focal registradas con EEG retroauricular utilizando una red antagónica
generativa de detección de anomalías. Informática Métodos Programas Biomed. 2020;
pág. 105472.
154. Jiao Y, Deng Y, Luo Y, Lu BL. Detección de somnolencia del conductor a partir de señales
EEG y EOG mediante redes GAN y LSTM. Neurocomputación. 2020;408:100-111.
155. Singh P, Pradhan G. Un nuevo marco de eliminación de ruido de ECG que utiliza una red
antagónica generativa. IEEE/ACM Trans Comput Biol Bioinform. 2020; pág. 3114–
3128.
156. Wang X, Ghasedi Dizaji K, Huang H. Red adversarial generativa condicional para la
inferencia de la expresión génica. Bioinformática. 2018 09;34(17):i603–i611.
157. Pan X, Shen HB. Extracción de motivos de unión a proteínas de ARN con un nuevo
enfoque híbrido de integración de conocimiento entre dominios basado en aprendizaje
profundo. BMC Bioinforme. 2017;18(1).
158. Jiang X, Zhao J, Qian W, Song W, Lin GN. Un modelo generativo de red adversaria para
la predicción de genes de enfermedades con datos de RNA-seq. Acceso IEEE.
2020;8:37352–60.
159. Zhao L, Wang J, Pang L, Liu Y, Zhang J. GANsDTA: predicción de la afinidad de unión
del fármaco al objetivo mediante GAN. Geneta delantera. 2020;10:1243.
160. Editorial. Compartir datos. biol celular nat. 2009 11;11(11):1273.
161. Señor PW, et al. Intercambio de datos a gran escala en las ciencias de la vida: estándares
de datos, incentivos, barreras y modelos de financiación (el 'Estudio conjunto de
estándares de datos'). 2005. Disponible en: http://www.nesc.
ac.uk/technical_papers/UKeS-2006-02.pdf.
162. Martone ME, Ellisman MH, Sosinsky GE, Gupta A, Tran J, Wong W, et al. Base de datos
centrada en celdas. Colecciones digitales de la biblioteca de UC San Diego. 2017.
https://doi.org/10.6075/J0S180PX.
163. Ellisman M, et al. Biblioteca de imágenes de celdas. 2016. Disponible en: http://
www.cellimagelibrary.org/. Consultado el 4 de enero de 2020.
164. ERIC. Eurobioimagen. 2016. Disponible en: http://www.
eurobioimaging.eu/. Consultado el 4 de enero de 2020.
165. Karkow W. Base de datos de imágenes de histología HAPS. 2008. Disponible en: http://
haphistology.wikifoundry.com/. Consultado el 23 de enero de 2017.
166. Dundee U. IDR: recurso de datos de imagen. 2016. Disponible en:
https://idr.openmicroscopy.org/.
167. Kistler M. SMIR CT de cuerpo completo. SMIR. 2017. Disponible en: https://doi.org/
10.1007/BF00337288.
168. Arkansas for Medical Sciences U. The Cancer Imaging Archive.
2015. Disponible en: https://www.cancerimagingarchive.
red/. Consultado el 4 de enero de 2020.
169. Marinelli RJ, et al. La base de datos de micromatrices de tejidos de Stanford.
2007. Disponible en: https://tma.stanford.edu. Consultado el 23 de enero de 2017.
170. Universidad de California SB. Conjunto de datos de referencia de biosegmentación de
UCSB. 2008. Disponible en: https://bioimage.ucsb.edu/
investigación/biosegmentación. Consultado el 23 de enero de 2017.
171. PERMANECER. Intercambio de datos de imágenes cerebrales de autismo. 2012.
Disponible en: https://goo.gl/n694sN. Consultado el 4 de enero de 2020.
172. Milham MP. TDAH200. 2011. Disponible en: https://doi.
org/10.1007/BF00337288. Consultado el 4 de enero de 2020.
173. ANDÍ. Conjuntos de datos de la Iniciativa de neuroimagen de la enfermedad de Alzheimer
(ADNI). 2009. Disponible en: https://adni.loni.usc.edu/.
Consultado el 4 de enero de 2020.
174. López M. Repositorio digital de cáncer de mama. 2008. Disponible en: https://bcdr.eu/.
Consultado el 8 de abril de 2020.
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
175. Mooney P. Imágenes de radiografía de tórax (neumonía) | Kaggle.
2018. Disponible en: https://doi.org/10.1007/BF00337288.
Consultado el 4 de enero de 2020.
176. MITOS-ATIPIA. MITOS-ATYPIA-14 - Conjunto de datos. 2012. Disponibilidad
disponible desde: https://doi.org/10.1007/BF00337288. Consultado el 4 de enero de
2020.
177. NAMIC. MIDAS - Alianza Nacional Comunitaria para Computación de Imágenes Médicas
(NAMIC). 2010. Disponible en: http://arxiv.
org/abs/2003.00108.
178. Cohen JP, Morrison P, Dao L. Recopilación de datos de imágenes de COVID-19. 2020.
Disponible en: http://arxiv.org/abs/2003.00108.
Consultado el 4 de enero de 2020.
179. Yarkoni T. Neurosynth. 2012. Disponible en: http://arxiv.org/
abs/2003.00108. Consultado el 4 de enero de 2020.
180. NIH. Conjuntos de datos de rayos X de tórax del NIH. 2017. Disponible en: http://
arxiv.org/abs/2003.00108. Consultado el 4 de enero de 2020.
181. LaMontagne PJ, et al. Serie de Estudios de Imágenes de Acceso Abierto (OASIS). 2019.
Disponible en: http://arxiv.org/abs/2003.00108
182. Muschelli J. Conjuntos de datos abiertos de neuroimagen. 2015. Disponible en: http://
arxiv.org/abs/2003.00108. Consultado el 4 de enero de 2020.
183. Reyes M. El conjunto de datos de modelado y generación de imágenes multiescala
HEAR-EU del oído interno humano. SMIR. 2017. Disponible en: http://
arxiv.org/abs/2003.001086.
184. Conjunto de datos I. Conjuntos de datos de desarrollo cerebral. 2014. Disponible en:
http://arxiv.org/abs/2003.00108. Consultado el 4 de enero de 2020.
185. Shattuck DW, Mirza M, Adisetiyo V, Hojatkashani C, Salamon G, et al. Construcción de
un atlas probabilístico 3D de estructuras corticales humanas. Neuroimagen. 2008
febrero; 39 (3): 1064–1080.
186. Gorgolewski KJ, et al. Neurobóveda. 2015. Disponible en: http://
arxiv.org/abs/2003.00108. Consultado el 4 de enero de 2020.
187. Boekel W. Herramientas y recursos informáticos de neuroimagen que borran el conjunto
de datos interno. 2015. Disponible en: https://doi.org/10.1007/
s12559-020-09751-3. Consultado el 4 de enero de 2020.
188. Poldrack, et al. OPEN fMRI: un conjunto de datos de neuroimagen humana multimodal y
multisujeto. 2015. Disponible en: https://doi.
org/10.1007/s12559-020-09751-3. Consultado el 4 de enero de 2020.
189. Pernet C, Gorgolewski K, Ian W. Conjunto de datos de neuroimagen de pacientes con
tumores cerebrales. 2016. Disponible en: https://doi.org/10.1007/
s12559-020-09751-3. Consultado el 4 de enero de 2020.
190. van Ginneken B, Kerkstra S, Meakin J. DRIVE - Grand Challenge. 2004. Disponible en:
https://doi.org/10.1007/s12559-
020-09751-3.
191. Repositorio SII. NITRC: IBSR: Información sobre herramientas/recursos. 2007.
Disponible en: https://doi.org/10.1007/s12559-020-09751-3.
Consultado el 4 de enero de 2020.
192. Goldbaum M. El Proyecto STARE. 1975. Disponible en: https://
doi.org/10.1007/s12559-020-09751-3.
193. Cao Z, Chuang M, King JT, Lin CT. Registros de EEG multicanal durante una tarea de
conducción de atención sostenida. Figshare.
2019;Colección. Disponible en: https://doi.org/10.1007/s12559-
020-09751-3.
194. Cuerpo EEG de la Universidad de Picone J. Temple. 2011. Disponible en: https://doi.org/
10.1007/s12559-020-09751-3. Consultado el 7 de abril de 2020.
195. GB M, RG M. Base de datos de arritmias del MIT-BIH. 1999. Disponible en: https://doi.org/
10.1007/s12559-020-09751-3. Consultado el 4 de enero de 2020.
196. Goldberger A, et al. PhysioBank, PhysioToolkit y PhysioNet: componentes de un nuevo
recurso de investigación para señales fisiológicas complejas. 2003. Circulación.
101(23):e215-e220. Disponible en: https://doi.org/10.1007/s12559-020-09751-3.
197. Khamis H, Weiss R, Xie Y, Chang CW, Lovell NH, Redmond SJ. Base de datos de TELE
ECG: 250 registros de ECG de telesalud (recopilados con electrodos de metal seco)
con QRS anotados y máscaras de artefactos, y código MATLAB para la detección de
artefactos de UNSW y
31
Algoritmos de detección de QRS de la UNSW. 2016. Disponible en: http://
arxiv.org/abs/1811.07054.
198. 2020 BH. BNCIHorizonte2020. 2015. Disponible en: http://arxiv.
org/abs/1811.07054. Consultado el 4 de enero de 2020.
199. Khushaba RM. Repositorio de electromiogramas (EMG). 2012. Disponible en: http://
arxiv.org/abs/1811.07054. Consultado el 6 de abril de 2020.
200. Rantanen V, et al. Interfaces miméticas: conjunto de datos EMG de superficie facial
2015. 2015. Disponible en: http://arxiv.org/abs/1811.07054.
Consultado el 4 de enero de 2020.
201. Base de datos Atzori M. NinaPro prótesis de mano adaptativas no invasivas. 2012.
Disponible en: http://arxiv.org/abs/1811.07054.
Consultado el 4 de enero de 2020.
202. Koelstra S, et al. Base de datos para análisis de emociones mediante señales fisiológicas.
2011. Disponible en: http://arxiv.org/
abs/1811.07054. Consultado el 4 de enero de 2020.
203. Abadi MK, et al. Base de datos multimodal basada en MEG para decodificar respuestas
fisiológicas afectivas. 2007. Disponible en: http://
arxiv.org/abs/1811.07054. Consultado el 4 de enero de 2020.
204. HeadIT de la Universidad de California SD. Emoción imaginada. 2009.
Disponible en: http://arxiv.org/abs/1811.07054. Consultado el 4 de enero de 2020.
205. Soleymani M, Lichtenauer J, Pun T, M P. Base de datos de etiquetado de HCI.
2012. Disponible en: http://arxiv.org/abs/1811.07054. Consultado el 4 de enero de
2020.
206. Lu PBL. Conjuntos de datos SEED. 2013. Disponible en: http://arxiv.org/
abs/1811.07054. Consultado el 4 de enero de 2020.
207. Kaya M, Binli MK, Ozbay E, Yanar H, Mishchenko Y. Un gran conjunto de datos de
imágenes de motores electroencefalográficos para interfaces de computadoras
cerebrales electroencefalográficas. compartir 2018;Colección. Disponible en: http://
www.nesc.ac.uk/technical_papers/
UKeS-2006-02.pdf.
208. Cho MH y Ahn, Ahn S, Kwon M, C JS. Datos de apoyo para conjuntos de datos de EEG
para interfaz de computadora cerebral de imágenes motoras.
Base de datos GigaScience. 2017. Disponible en: http://www.nesc.
ac.uk/technical_papers/UKeS-2006-02.pdf.
209. Schalk G, McFarland DJ, Hinterberger T, Birbaumer N, Wolpaw JR. Conjunto de datos de
imágenes/movimiento motor EEG. 2009. Disponible en: http://www.nesc.ac.uk/
technical_papers/UKeS-2006-02.
pdf. Consultado el 6 de abril de 2020.
210. Korczowski L, Ostaschenko E, Andreev A, Cattan G, Rodrigues PC, Gautheret V, et al.
Brain Invaders sin calibración P300-
BCI basado en electrodos EEG secos Conjunto de datos (bi2014a). 2019.
Disponible en: http://www.nesc.ac.uk/technical_papers/UKeS 2006-02.pdf. Consultado
el 4 de enero de 2020.
211. Korczowski L, Cederhout M, Andreev A, Cattan G, Rodrigues PL, Gautheret V, et al. Brain
Invaders sin calibración P300-
basado en BCI con modulación de la duración del flash Dataset (bi2015a).
2019. Disponible en: http://www.nesc.ac.uk/technical_papers/
UKeS-2006-02.pdf. Consultado el 4 de enero de 2020.
212. Korczowski L, Ostaschenko E, Andreev A, Cattan G, Rodrigues PC, Gautheret V, et al.
Brain Invaders Solo versus Collaboration: conjunto de datos de interfaz cerebro-
computadora basado en P300 multiusuario (bi2014b). 2019. Disponible en: http://
www.nesc.ac.uk/technical_
documentos/UKeS-2006-02.pdf. Consultado el 4 de enero de 2020.
213. Korczowski L, Cederhout M, Andreev A, Cattan G, Rodrigues PL, Gautheret V, et al. Brain
Invaders Cooperativo versus competitivo: conjunto de datos de interfaz cerebro-
computadora basado en P300 multiusuario (bi2015b). 2019. Disponible en: http://
www.nesc.ac.uk/technical_
documentos/UKeS-2006-02.pdf. Consultado el 4 de enero de 2020.
214. Competiciones BCI. Conjuntos de datos de competencia BCI. 2008. Disponible en: http://
www.nesc.ac.uk/technical_papers/UKeS-2006-02.
pdf. Consultado el 4 de enero de 2020.
215. Desafío BCI NER2015. Desafío BCI @ NER 2015. 2015.
Disponible en: http://www.nesc.ac.uk/technical_papers/UKeS 2006-02.pdf. Consultado
el 4 de enero de 2020.
13
Machine Translated by Google
32
216. Broderick MPea. Los correlatos electrofisiológicos de la disimilitud semántica reflejan la
comprensión del habla narrativa natural, v3, Dryad; 2020. Disponible en: http://
www.nesc.ac.uk/technical_
documentos/UKeS-2006-02.pdf. Consultado el 4 de enero de 2020.
217. para señales fisiológicas complejas RR. fisionet. 1999. Disponible en: http://
www.cellimagelibrary.org/. Consultado el 4 de enero de 2020.
218. Aha D. UCI ML repositorio. 1987. Disponible en: http://www.
cellimagelibrary.org/. Consultado el 4 de enero de 2020.
219. Congedo M, et al. ”Brain Invaders”: un prototipo de un videojuego de código abierto
basado en P300 que funciona con la plataforma OpenViBE. En: Proc. BCI 2011; 2011.
pág. 280–283.
220. PubChem. Fuentes de datos de PubChem. 2020. Disponible en: http://
www.cellimagelibrary.org/. Consultado el 4 de enero de 2020.
221. PubChem. Fuentes de datos de PubChem. 2005. Disponible en: http://
www.cellimagelibrary.org/. Consultado el 4 de enero de 2020.
222. Biolaboratorio. Laboratorio de Bioinformática. 1999. Disponible en: http://
www.cellimagelibrary.org/. Consultado el 4 de enero de 2020.
223. Pradhan S, et al. Base de datos de enfermedades genéticas indias. 2011. Disponible en:
http://www.cellimagelibrary.org/. Consultado el 4 de enero de 2020.
224. Atlas TCG. La página de inicio del Atlas del Genoma del Cáncer [nciHome].
2005. Disponible en: http://www.cellimagelibrary.org/.
Consultado el 4 de enero de 2020.
225. Red BDT. Proyecto de la Red de Transcripción de Berkeley Drosophila. 2001. Disponible
en: http://www.cellimagelibrary.org/.
226. CODIFICAR. Enciclopedia de elementos de ADN. 2003. Disponible en: http://
www.cellimagelibrary.org/. Consultado el 4 de enero de 2020.
227. NHLBI GO ESP. Servidor de variantes de exoma. 2011. Disponible en: http://
www.cellimagelibrary.org/. Consultado el 6 de abril de 2020.
228. Geo. Ómnibus de Expresión Génica. 2000. Disponible en: http://
www.eurobioimaging.eu/. Consultado el 4 de abril de 2020.
229. Abreu M, et al. gnomAD. 2016. Disponible en: http://www.
eurobioimaging.eu/. Consultado el 6 de abril de 2020.
230. del MIT TBI, Harvar. Portal GTEx. 2012. Disponible en: http://
www.eurobioimaging.eu/. Consultado el 4 de enero de 2020.
231. Rouillard AD, Gundersen GW, Fernandez NF, Wang Z, Monteiro CD, McDermott MG, et
al. El armonizoma: una colección de conjuntos de datos procesados reunidos para
servir y extraer conocimientos sobre genes y proteínas. Base de datos 2016.
2016;07:baw100.
232. INSDC. Colaboración internacional de la base de datos de secuencias de nucleótidos.
2016. Disponible en: http://www.eurobioimaging.
UE/. Consultado el 4 de enero de 2020.
233. TIGS de recursos. Proyecto 1000 Genomas. 2008. Disponible en: http://
www.eurobioimaging.eu/. Consultado el 6 de abril de 2020.
234. JASPAR. JASPAR 2018: Una base de datos de acceso abierto de perfiles de unión de
factores de transcripción. 2008. Disponible en: http://www.
eurobioimaging.eu/. Consultado el 4 de enero de 2020.
235. Consorcio NREM. Proyecto de Epigenómica de hoja de ruta - Datos. 2007.
Disponible en: http://www.eurobioimaging.eu/. Consultado el 6 de abril de 2020.
236. DSN. Datos científicos de la naturaleza. 2014. Disponible en: http://www.
eurobioimaging.eu/. Consultado el 4 de enero de 2020.
237. SysGENSIM. SysGenSIM: conjuntos de datos de referencia. 2013. Disponible en: http://
www.eurobioimaging.eu/. Consultado el 4 de enero de 2020.
238. en Investigación BMSEB, Educación. Banco de datos de proteínas RCSB - RCSB PDB.
2015. Disponible en: http://www.eurobioimaging.
UE/. Consultado el 4 de enero de 2020.
239. Murzin AG, Brenner SE, Hubbard TJP, Chothia C. Clasificación estructural de la base de
datos de proteínas 2. 2020. Disponible en: http://
haphistology.wikifoundry.com/. Consultado el 10 de abril de 2020.
240. Fox NK, Brenner SE, Chandonia JM. Clasifcación estructural de la base de datos de
proteínas - ampliada. 2018. Disponible en: http://haphistology.
wikifoundry.com/. Consultado el 10 de abril de 2020.
241. Qian N, Sejnowski TJ. Conjunto de datos de estructura secundaria de proteínas de UCI
Molecular Biology (UCI MB). 1988. Disponible en: http://haphistology.
wikifoundry.com/. Consultado el 4 de enero de 2020.
13
Computación cognitiva (2021) 13: 1–33
242. Schaefer CFAKSBJDMHTBKH. Base de datos de interacción de vías de NCI-Nature.
2009. Disponible en: http://haphistology.
wikifoundry.com/. Consultado el 10 de abril de 2020.
243. Kandasamy K, et al. NetPath. 2010. Disponible en: http://
haphistology.wikifoundry.com/. Consultado el 10 de abril de 2020.
244. Stein L, D'Eustachio P, Hermjakob H, Wu G. Reactome. 2010.
Disponible en: http://haphistology.wikifoundry.com/. Consultado el 10 de abril de 2020.
245. Tran VD. miRBoost. 2015. Disponible en: http://haphistology.
wikifoundry.com/. Consultado el 4 de enero de 2020.
246. USD. Base de datos del genoma de Saccharomyces. 2012. Disponible en: http://
haphistology.wikifoundry.com/. Consultado el 4 de enero de 2020.
247. DNAD-J. Banco de datos de ADN de Japón. 1980. Disponible en: http://
haphistology.wikifoundry.com/. Consultado el 4 de enero de 2020
248. ENA. Archivo Europeo de Nucleótidos. 1990. Disponible en: http://
haphistology.wikifoundry.com/. Consultado el 4 de enero de 2020.
249. GenBank. GenBank; 2013. Disponible en: https://idr.
openmicroscopy.org/. Consultado el 4 de enero de 2020.
250. Noordewier MO, Towell GG, Shavlik JW. Conjunto de datos de secuencias de genes de
unión de empalme de UCI Molecular Biology (UCI MB). 1981.
Disponible en: https://idr.openmicroscopy.org/. Consultado el 4 de enero de 2020.
251. UCI-MB. Conjunto de datos de secuencias de genes promotores de UCI Molecular Biology
(UCI MB). 1985. Disponible en: https://idr.openmicroscopy.
org/. Consultado el 4 de enero de 2020.
252. Manaswi NK. Entendiendo y trabajando con Keras. En: Aprendizaje profundo con
aplicaciones usando Python. Saltador; 2018. pág. 31–43.
253. Kunkel R, et al. TensorSCONE: un marco TensorFlow seguro que utiliza Intel SGX. CoRR.
2019. pág. 1–12.
254. Sun X, Peng X, Ding S. Generación de conversación emocional entre humanos y máquinas
basada en la memoria a corto plazo. Cómputo Cognitivo. 2018;10(3):389–97.
255. Hao L, Liang S, Ye J, Xu Z. TensorD: una biblioteca de descomposición de tensores en
TensorFlow. Neurocomputación. 2018;318:196–200.
256. Karpathy A. Un vistazo a las tendencias en el aprendizaje automático. 2017. Disponible
en: https://idr.openmicroscopy.org/.
257. Bahrampour S, Ramakrishnan N, Schott L, Shah M. Estudio comparativo de marcos de
software de aprendizaje profundo. CoRR. 2016;abs/1511.06435. ArXiv: 1511.06435.
258. Shi S, et al. Evaluación comparativa de herramientas de software de aprendizaje profundo
de última generación. CoRR. 2016;abs/1608.07249.
259. Marca profunda. Los puntos de referencia de aprendizaje profundo. 2017. Disponible en:
https://idr.openmicroscopy.org/. Consultado el 17 de diciembre de 2017.
260. Narang S. El código fuente y los datos experimentales de las herramientas de software
de aprendizaje profundo de última generación. 2017. Disponible en: https://
idr.openmicroscopy.org/. Consultado el 17 de diciembre de 2017.
261. LeCun Y, Cortés C, Burges CJC. La base de datos MNIST de dígitos escritos a mano.
1998. Disponible en: https://idr.openmicroscopy.
org/. Consultado el 4 de enero de 2020.
262. Zaremba W, Sutskever I, Vinyals O. Regularización de redes neuronales recurrentes.
CoRR. 2014;abs/1409.2329.
263. Sermanet P, Eigen D, Zhang X, Mathieu M, Fergus R, LeCun Y. OverFeat: reconocimiento
integrado, localización y detección mediante redes convolucionales. CoRR. 2013;abs/
1312.6229.
264. Murphy J. Puntos de referencia de aprendizaje profundo de las GPU NVIDIA Tesla P100
PCIe, Tesla K80 y Tesla M40; 201. Disponible en: https://idr.openmicroscopy.org/.
Consultado el 4 de enero de 2020.
265. Mnih V, Kavukcuoglu K, Silver D, Rusu AA, Veness J, et al.
Control a nivel humano a través del aprendizaje de refuerzo profundo.
Naturaleza. 2015;518(7540):529–33.
266. Chollet F. Las limitaciones del aprendizaje profundo. 2017. Disponible en: https://
idr.openmicroscopy.org/. Consultado el 12 de diciembre de 2017.
267. Zenil H., et al. . Un cálculo algorítmico de información para descubrimiento causal
y sistemas de reprogramación. bioRxiv. 2017; pág. 185637.
Machine Translated by Google
Computación cognitiva (2021) 13: 1–33
268. Shwartz-Ziv R, Tishby N. Abriendo la caja negra de las redes neuronales profundas a
través de la información. CoRR. 2017 Mar;abs/1703.00810.
269. Nguyen AM, Yosinski J, Clune J. Las redes neuronales profundas son fáciles de engañar:
predicciones de alta confianza para imágenes irreconocibles.
En: Proc. CVPR; 2015. pág. 427–436.
270. Szegedy C, Zaremba W, Sutskever I, Bruna J, Erhan D, Goodfellow IJ, et al. Propiedades
intrigantes de las redes neuronales. En: CoRR. vol. abs/1312.6199; 2013. pág. 1–10.
271. Baker NA, Klemm JD, Harper SL, Gaheen S, Heiskanen M, Rocca-Serra P, et al.
Estandarización de datos. Nanotecnología Nat. 2013;8(2):73.
272. Wittig U, Rey M, Weidemann A, Muller W. Gestión de datos y enriquecimiento de datos
para proyectos de biología de sistemas. J Biotecnología. 2017;261:229–237.
273. Mahmud M, Rahman MM, Travalin D, Raif P, Hussain A.
Modelo de aplicación web basado en arquitectura orientada a servicios para el análisis
colaborativo de señales biomédicas. Tecnología biomédica (Berl). 2012;57:780–3.
274. Mahmud M, Pulizzi R, Vasilaki E, Giugliano M. Un marco basado en la web para el
procesamiento paralelo semi-en línea de señales neuronales extracelulares registradas
por matrices de microelectrodos. En: Proc.
REUNIÓN MUNICIPAL; 2014. pág. 202–203.
275. Angelov P, Sperduti A. Desafíos en el aprendizaje profundo. En: Proc.
ESANN; 2016. pág. 489–495.
276. Arulkumaran K, Deisenroth MP, Brundage M, Bharath AA. Aprendizaje de refuerzo
profundo: una breve encuesta. Proceso de señal IEEE Mag. 2017;34(6):26–38.
277. Noor MB, Zenia NZ, Kaiser MS, Al Mamun S, Mahmud M.
Aplicación del aprendizaje profundo en la detección de trastornos neurológicos a partir
de imágenes de resonancia magnética: una encuesta sobre la detección de la
enfermedad de Alzheimer, la enfermedad de Parkinson y la esquizofrenia.
Cerebro Informar. 2020;7(1):1-21.
278. Al Banna MH, Taher KA, Kaiser MS, Mahmud M, Rahman MS, Hosen AS, Cho GH.
Aplicación de la inteligencia artifcial en la predicción de terremotos: estado del arte y
retos futuros. Acceso IEEE. 2020;8:192880–192923.
279. Jesmin S, Kaiser MS, Mahmud M. Artifcial e Internet de cosas de atención médica basadas
en la atención de Alzheimer durante COVID 19. En: Mahmud M, Vassanelli S, Kaiser
MS, Zhong N, editores. Cerebro Informar. Cham: publicación internacional de Springer;
2020. pág. 263–274.
280. Ruiz J, Mahmud M, Modasshir M, Shamim Kaiser M, iniciativa de neuroimagen de la
enfermedad de Alzheimer para el conjunto 3D DenseNet en la clasificación de 4 vías
de la enfermedad de Alzheimer. En: Mahmud M, Vassanelli S, Kaiser MS, Zhong N,
editores. Cerebro Informar. Cham: publicación internacional de Springer; 2020. pág. 85–
96.
281. Rahman S, Sharma T, Mahmud M. Mejora del diagnóstico de alcoholismo: comparación
de clasificadores basados en instancias con redes neuronales para clasificar la señal
de EEG. En: Mahmud M, Vassanelli S, Kaiser MS, Zhong N, editores. Cerebro Informar.
Cham: publicación internacional de Springer; 2020. pág. 239–50.
33
282. Nahiduzzaman Md, Tasnim M, Newaz NT, Kaiser MS, Mah mud M. Detección temprana
de caídas basada en aprendizaje automático para personas mayores con trastornos
neurológicos mediante fusión de datos multimodal.
En: Mahmud M, Vassanelli S, Kaiser MS, Zhong N, editores.
Cerebro Informar. Cham: publicación internacional de Springer; 2020. pág. 204–14.
283. Farah L, Hussain A, Kerrouche A, Ieracitano C, Ahmad J, Mah mud M. Un controlador
difuso altamente eficiente con entradas de alta reducción y funciones de membresía
para un sistema fotovoltaico conectado a la red. Acceso IEEE. 2020;8:163225–37.
284. Fabietti M, Mahmud M, Lotf A. Aprendizaje automático en el análisis de señales neuronales
registradas de forma invasiva: fuentes de datos de acceso abierto disponibles. En:
Mahmud M, Vassanelli S, Kaiser MS, Zhong N, editores. Cerebro Informar. Cham:
publicación internacional de Springer; 2020. pág. 151–62.
285. Chen L, Yan J, Chen J, Sheng Y, Xu Z, Mahmud M. Una canalización de aprendizaje de
temas basada en eventos para la extracción de literatura de neuroimagen.
23 de octubre de 2020 [citado el 22 de noviembre de 2020]; Disponible en: https://www.
researchsquare.com/article/rs-95392/v1
286. Nahian MJA, Ghosh T, Uddin MN, Islam MdM, Mahmud M, Kaiser MS. Hacia un marco de
seguimiento de caídas consciente de las emociones impulsado por la inteligencia
artificial adecuado para personas mayores con trastornos neurológicos. En: Mahmud
M, Vassanelli S, Kaiser MS, Zhong N, editores. Cerebro Informar. Cham: Springer
International Publishing; 2020. pág. 275–86.
287. Al Banna MdH, Ghosh T, Taher KA, Kaiser MS, Mahmud M. Un sistema de monitoreo para
pacientes con trastorno del espectro autista utilizando inteligencia artificial. En: Mahmud
M, Vassanelli S, Kaiser MS, Zhong N, editores. Cerebro Informar. Cham: publicación
internacional de Springer; 2020. pág. 251–62.
288. Adiba FI, Islam T, Kaiser MS, Mahmud M, Rahman MA. Efecto de los corpus en la
clasifcación de noticias falsas utilizando el clasifcador naive Bayes. Revista Internacional
de Automatización, Inteligencia Artificial y Aprendizaje Automático. 2020;1(1):80–92.
289. Sumi AI, Zohora MostF, Mahjabeen M, Faria TJ, Mahmud M, Kaiser MS. fASSERT: un
sistema de asistencia difuso para niños con autismo que utiliza Internet de las cosas.
En: Wang S, Yamamoto V, Su J, Yang Y, Jones E, Iasemidis L, et al., editores. Cerebro
Informar. Cham: publicación internacional de Springer; 2018. pág. 403–12.
290. Mahmud M, Kaiser MS, Rahman MM, Rahman MA, Shabut A, Al-Mamun S, et al. Un
modelo de gestión de confianza inspirado en el cerebro para garantizar la seguridad en
un marco de IoT basado en la nube para aplicaciones de neurociencia. Cómputo
Cognitivo. 1 de octubre de 2018; 10 (5): 864–73.
291. Kaiser MS, Chowdhury ZI, Mamun SA, Hussain A, Mahmud M. Un sistema de control
neurodifuso basado en la extracción de características de la señal del electromiograma
de superficie para sillas de ruedas con energía solar.
Cómputo Cognitivo. 1 de octubre de 2016; 8(5):946–54.
13