UNIVERSIDAD NACIONAL DE SAN ANTONIO

ABAD DEL CUSCO

FACULTAD DE INGENIERÍA, ELECTRÓNICA, INFORMÁTICA Y
MECÁNICA
ESCUELA PROFESIONAL DE INGENIERÍA INFORMÁTICA
Y DE SISTEMAS

SISTEMAS DE INFORMACIÓN GERENCIAL

Resumen de las Charlas “Todos Vuelven”

DOCENTE: ING. LUIS BELTRAN PALMA TTITO

PRESENTADO POR:
PIMENTEL CRUZ JIMMY 103646

PUCLLA ZEGARRA ERWIN 133582

CUSCO-PERÚ
2016-II
 VARIABLE NEIGHBORHOOD SEARCH FOR THE LARGE
PHYLOGENY PROBLEM USING GENE ORDER DATA
Phylogenetic tree (árbol Filogenético)
Un árbol filogenético es un árbol que muestra las relaciones evolutivas entre varias especies u
otras entidades que se cree que tienen una ascendencia común. Un árbol filogenético es una
forma de cladograma.
Es un árbol sin raíz con n hojas.
Existen 2 problemas.
1. Large Phylogeny Problem
 A set of n genomas
 A rearrangement operation
2. Small Phylogeny Problem
Es un problema que su complejidad es NP-Harp
Greedy Algorithm for the Small Phylogeny Problem

Inicializar los nodos

Después de ello hacer una perturbación

Algorithm (Reduced) VNS for the Large Phylogeny Problem

Input: Dataset of genomes
Ouput: A tree strudure witd score

Experimento for the small phylogeny problem

Cuando se hacia este experimento:
A veces más rápido que la programación dinámica
Obtenía buenos resultados pero cercanos
Conclusiones:
Se construyó un software HELPHY para los arboles filogenéticos

Trabajos Futuros:
Probar otras propuestas para el árbol evolutivo.

COMPUTACION DE ALTO RENDIMIENTO EN BIOLOGÍA

El campo de computación de alto rendimiento es una herramienta muy importante en el
desarrollo de simulaciones comunicacionales a problemas complejos. Para lograr este objetivo,
la computación de alto rendimiento se apoya en tecnologías computacionales como
los clusters, supercomputadores o mediante el uso de la computación paralela. La mayoría de
las ideas actuales de la computación distribuida se han basado en la computación de alto
rendimiento.
Este tema se trata más que todo en el curso de Bioinformática
 Genómica
 Secuenciación de Genomas
 Identificación de Especies
 Simulaciones
 Dinámica Molecular
 Redes Metabólicas
Proyecto de Secuenciación

 Gigabytes, e incluso terabytes de datos de entrada

 Alto Requerimiento de poder de Cómputo
Ensamblaje de Secuencias
Moléculas
 Problemas
 Plegamiento de proteínas
 Dinámica Molecular
La Bioinformática ofrece varias alternativas a las industrias
Biología de Sistemas
 Los seres vivos son sistemas muy complejos
 El comportamiento de un sistema complejo es difícil de predecir
Dispositivos
 CUPs
o Ventajas:
 Excelente rendimiento en tareas complejas
 Muy Versátiles y fáciles de programar
o Desventajas:
 Bajo rendimiento en tareas numéricas
 Poco espacio en tareas numéricas

  GPGPUs
o Ventajas
 Tanta presencia en el mercado como las CPUs
 Alto rendimiento
 Alto desempeño ….(Lo investigas en el internet …buscas en el internet
pues los títulos y maso menos lo sacas los partes importantes)
o Desventajas
 Más difíciles de programar
 Bajo rendimiento en programa complejos (ejm: Bifurcaciones , saltos,
etc.)
 FPGAs.- Es un dispositivo…….
 Para los “Simples Mortales”, lo más cercano o fabricar un chip desde cero.
 Muy reducida latencia
 Bajo consumo energético

 CPUs Masivamente Paralelo

 Convergencia entre CPUs y GPGPUs
 Masiva cantidad de núcleos (72 núcleos)
 Registros vectoriales de gran tamaño
Plataformas y Frameworks
 OPENCL
 CUDA
OPENCL y CUDA
 Programación basadas en escribir “Kernels”
 Depende de un “host” para coordinar el funcionamiento del sistema
OPEN ACC
 Programación basado en “directivas”
 Trabaja con etiquetas
OPEN MP
 Tradicionalmente, una tecnología para CPUs
 Programación basada en “directivas”
 También puede trabajar con aceleradores
 Trabaja con etiquetas
 Se puede programar con estructuras vectoriales

PRIORIZACIÓN DE GENES EN ENFERMEDADES COMPLEJAS

Biología Sistemática
La bilogía sistemática es un campo interdisciplinario que estudia las redes complejas de
interacciones que ocurren en los sistemas biológicos
Desarrollo de modelo y enfoques para relevar propiedades.
Enfermedad Compleja
 Depende de varias genes y del ambiente
  Son poli génicas y multifactoriales
o Muchos genes pueden causar el mismo fenotipo
o Un solo gen puede causar distintos fenotipos
 Distintos estudios de una enfermedad compleja producen genes con pequeña
replicación
 Se requieren enfoques integradores de biología sistemática, así como modelado y
análisis de redes complejas
Todo esto se aplica el teoría de grafos y el algoritmo de dijkstra ponderando.

Network Medicine Hypotheses [Barabasi et a|,2011]

 Modelado de propiedad de teoría de redes complejas e hipótesis de Network
Medicine para priorizar genes
 Hubs: Los genes ( Proteínas de alto grado se consideran esenciales, ejemplo: TP53)
 Hipótesis de localidad
Método NERI
 Coge todos estos hipótesis y acerta una enfermedad
Método NERI-Futuro (Se necesita)
 Recorrer la red más rápido
 Probar otras formas su valor de los genes
 Integrar otros datos biológicos

PROGRAMACIÓN COMPETITIVA
o Resolver problemas
o Desafíos de matemática
o Problemas de la realidad
Como desarrollar un software para realizar una cierta tarea un robot.
Ejemplo:

 Carro Autónomo
Procesamiento de Lenguaje Natural.
 Como interpretar el Lenguaje Humano
Varios Campos:
 Planeamiento de Camino
 Ruta entre nodos
 Localización
Localizar en ese ambiente con esa información.

 Robot Autónomo
 Que toma sus decisiones por sí sola
 Que actúe como humano
 SLAM.- Reconstrucción de mapas y localización
  Exploración.- Exploración y mapas del camino
 Todos los Sensores tiene ruido, es decir, la medición no es exacta.
 Nuestra medición es con un rango de más o menos.
 SLAM es como una Red Bayesiana
 Medición de imágenes
 A partir de imágenes puedes conseguir texturas, colores, formas, etc. Todo esto te
da mucha información
 Se utiliza sensores de profundidad y colores usando métodos directos.
 Con esto es aprovechar toda la información de imagen
Key Frame
 A través de video sacar una información relevante así para ya no recorrer todo el caso.
 Existe 2 procesos:
 Reconstrucción del Mapa
 La Localización
Inferencia Bayesiana
 Integrar la información
 Para integrar la posición del robo cuando tienes varios sensores (cámara, GPS,etc)

Optimización de Mapas
 Existen datos errados
 Distancias erradas
 Captan información erradas los sensores
 Intentan clasificar informaciones buenas, malas, maso menos.
En un escritorio hay bastante información que puede captar el robot (ejemplo: libros, laptop,
lapiceros, etc), y al momento de aumentar un objeto al escritorio, entonces el robot debería
detectar si esa información ya está en el escritorio, para ya no almacenar esa información en
su memoria, sino haría eso entonces almacenaría esa información más y llenaría la memoria.
RPE.- Desde una posición puede ver un objeto (ejemplo: Silla, mesa, etc.), y esa información es
muy importante.
 Todo lo que se aplica en Robótica se hace con probabilidad
 Los Robots hoy en día están reemplazando a los seres humanos con tareas deteriosas,
difíciles, etc. En otras palabras es automatizar las tareas difíciles que realizan los seres
humanos en menos tiempo.
¿Cómo reducir la Contaminación Ambiental?
Creando varios robots que consuman la basura y ya no con batería que se suele hacer sino que
la basura genera energía para que el robot funcione.

Machine Learning y Edith Learning

 Todo robótico se desarrolla con la matemática, estadística y probabilidades
 Morfo tipo.- La forma, la talla exacta.
 Un software aplicativo
La informática es la cabeza en el mundo Europeo.