Professional Documents
Culture Documents
Cmo citar?
Fascculo completo
Pgina de la revista
www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Resumen
Este artculo presenta una aplicacin de las Mquinas de Vectores de Soporte (SVM, de sus siglas en ingls)
en el problema de la estimacin del potencial de accin de la membrana celular V, el cual es, una funcin temporal
altamente no lineal de las concentraciones inicas de sodio y potasio. Un modelo, para la estimacin de V, es el
modelo de HodgkinHuxley (HH), que describe la dinmica de V, anloga a un circuito elctrico con elementos
pasivos, representando las variables bioqumicas involucradas en el proceso. Las SVM son algoritmos de cmputo
emergente que han demostrado un excelente desempeo en aplicaciones de clasificacin y regresin; en este
artculo las SVM se usan para la estimacin de V y se compara el modelo obtenido con HH, demostrando que SVM
es una alternativa prometedora en el problema de modelacin a partir de datos biolgicos.
Palabras clave: Mquinas de vectores de soporte, regresin, aproximacin de funciones, potencial de
accin, membrana celular, modelo de HodgkinHuxley.
1. INTRODUCCIN
La modelacin a partir de datos biolgicos y en
particular, la modelacin electrofisiolgica, constituye
un reto actualmente. Las funciones matemticas que
relacionan las variables bioqumicas involucradas son
altamente no lineales, y especficamente, en el caso
del potencial accin de la membrana celular V, son
funciones variables en el tiempo. Uno de los modelos
56 Rev. INGENIERA UC. Vol. 11, No 1, Abril 2004
Seijas y Caralli
2. MODELO DE HODGKIN-HUXLEY
El potencial de accin de la membrana celular
(V) es una funcin temporal, altamente no lineal, de
las concentraciones inicas de sodio y potasio. Un
modelo, para la estimacin de dicho potencial, es el
modelo de HodgkinHuxley (HH) [1]. En HH, se modela la membrana como un circuito elctrico, en el
cual, la corriente total a travs de la membrana, Im,
se calcula, usando la ley de Kirchoff, como la suma
de las corrientes debidas a iones de potasio, Ik, de sodio, INa y una componente de fuga, IL, que considera
otros iones que se mueven pasivamente por la membrana, adems de una corriente capacitiva,
Cm(dV/dt), donde Cm representa la capacitancia de la
membrana y V depende del tiempo. El circuito equivalente de la membrana es mostrado en la Figura 1,
all se muestra la conexin en paralelo de tres ramas,
formada cada una por la combinacin serie de la conductancia del ion con una fuente de voltaje DC que
representa el potencial de equilibrio inico (ecuacin
de Nernst) [1] y una cuarta rama que modela la capacitancia de la membrana.
+
V
-
Im I
K
INa
IL
ICm
gK
gNa
gL
Cm
EK
ENa
EL
dV
+ gK (V EK ) + gNa (V ENa ) + gL (V EL )
dt
(1)
Las conductancias del sodio y potasio son funciones no lineales de V y de t, dadas por las siguientes
expresiones:
g Na (V , t ) = g 0Na m 3 (V , t ) h (V , t )
(2)
g K (V , t ) = g 0K n 4 (V , t )
(3)
57
m ( t ) = ( m0 m ) e m + m
(4)
Las expresiones de n y h se obtienen sustituyendo m por n y h en (4), para cada funcin; las constantes de tiempo en las mismas (con i = m, n, h para
cada constante de tiempo), son de la forma:
i =
(5)
i + i
m = 0.10
V + 35.0
e
1.0
m = 4.0 e
(V + 60.0 )
h = 0 .0 7 e
h =
(7)
18.0
0 .5 (V + 6 0 .0 )
(8)
1.0
(1.0 + e
n =
(6)
0.1.(V +350)
1.0 (V + 30 .0 )
0.01* (V + 50.0 )
.1(V + 50.0 )
1.0
n = 0 .1 2 5 e 0 .0 1 2 5 (V + 6 0 .0 )
(9)
(10)
R SV M s (C
)=
1
n
i =1
L ( d i , y i ) +
d y d y
Ls ( d , y ) =
0
(14)
C (1 n ) L (d i , y i )
i =1
(w , ( ) ) =
*
1
w
2
+ C
i =1
+ i(
*)
d i w ( x ) bi + i
w ( x ) + bi d i + i( ) ,
i(*) 0
(15)
f(x)
(12)
(13)
Donde
y = f ( x ) = w ( x ) + b
1
w
2
Seijas y Caralli
f ( x , ai , ai* ) = ( ai ai* ) K ( x , xi ) + b
(16)
i =1
a i a i* = 0, a i 0
(17)
ai* 0 , i = 1, K , n
(18)
i =1
i =1
(19)
sujeta a:
n
(a
i =1
ai* ) = 0 0 ai C,
0 ai* C , i = 1, 2, K , n
g_Na
SVR
g_K
59
80
60
40
20
0
-20
-40
-60
-80
0
50
100
150
200
Funcin Kernel
FMSE
Lineal
6.4598
Polinomial
3.5707
RBF
0.0027
Spline
0.5362
250
Datos
Conductancias de Na y K [siemens]
80
Conductancia de Na
Conductancia de K
70
60
50
40
30
20
10
0
0
4
6
Tiempo [mseg]
10
Figura 5. Conductancias de Na y K.
x1 = g _ Na (1501)
x=
x2 g _ K (1501)
y = V (150 1)
0.1
10
1.0
10
2.0
10
3.0
104
Te (seg)
NVS
FMSE
10
-1
87.2
136
16.8832
10
-2
88.0
148
0.7161
10
-4
86.0
150
0.2714
10-5
87.7
150
0.0027
(20)
(21)
En la Tabla 2 se incluyen las columnas de tiempo de ejecucin de la SVR (Te) y el nmero de vectores de soporte (NVS); el FMSE indicado corresponde
al menor registrado de las simulaciones cruzadas variando para cada valor individual de un parmetro, los
otros dos (2). De los resultados de esta tabla se concluye que la mejor combinacin de parmetros (o parmetros sintonizados) es: [, C, ] = [2.0, 104, 10-5]
La Tabla 3 presenta los resultados de la ejecucin de la SVR, ya entrenada, con datos de entrada
provenientes de simulacin con diferentes pulsos de
corriente de excitacin externa aplicados al modelo
Seijas y Caralli
NVS
T (mseg)
FMSE
85.6
150
0.50
0.0027
92.6
149
1.0
0.0031
87.5
150
2.0
0.0139
88.8
150
5.0
5.88 x 10-5
84.3
150
10.0
1.42 x 10-5
60
40
20
0
-20
-40
-60
-80
10
Tiempo [mseg]
REFERENCIAS
[1] Gerstner and Kistler Spiking Neuron Models.
Single Neurons, Populations, Plasticity,
Cambridge University Press, U.S.A., 2002.
[2] Vapnik V.N., "The Nature of Statistical Learning
Theory",
Springer-Verlag, New York, ISBN
0-387-94559-8, 1995.
[3] Back Andrew, Classification using Support
Vector Machines, Riken Brain Science Institute,
Wako-shi, Saitama, Japan, 1998.
[4] Frontzek T., T. Navin & R. Eckmiller, Predicting
the Nonlinear Dynamics of Biological Neurons
using Support Vector Machines with Different
Kernels, Department of Computer Science VI,
University of Bonn, F. R. Germany, 2001.
[5] Gunn Steve, Support Vector Machines for
Classification and Regression, Faculty of
Engineering and Applied Science, University of
Southampton, U.S.A., May 1998.
[6] Guyon, I., Weston, J., Barnhill, S., & Vapnik, V,
Gene Selection for Cancer Classification using
Support
Vector
Machines,
Barnhill
Bioinformatics, Savannah, Goergia, U.S.A., 1999.
[7] Richman M. & T. Parks, Detection of Noses and
Faces in Consumer Images, Center for applied
Mathematics, Cornell Univ., U.S.A.,1998.
[8] Tay F. & L. Cao, Application of Support Vector
Machines in Financial Time Series Forecasting,
Department of Mechanical Engineering, National
University of Singapore, Singapore, 2001.
[9] Drakos N. & R. Moore, Sequential Minimal
Optimization for SVM, Computer Based
Learning Unit, Leeds, 2001.
[10] Osuna E., Mukherjee, Girosi F., Nonlinear
Prediction of Chaotic Time Series using SVM,
M.I.T., Cambridge, U.S.A., 1997.
5. CONCLUSIONES
Las SVR demostraron un excelente desempeo
como estimadores del potencial de accin de la membrana celular. En la aplicacin desarrollada en este
artculo operando como aproximadores de funciones o
modelos de regresin, el mejor comportamiento como
funcin Kernel lo exhibi la funcin del tipo de base radial. Los resultados presentados en este artculo
expresan un futuro promisorio a las SVM en el
rea de la modelacin de procesos bioqumicos y
electrofisiolgicos.
Rev. INGENIERA UC. Vol. 11, No 1, Abril 2004
61