Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte
Autor(a) principal: | |
---|---|
Data de Publicação: | 2010 |
Outros Autores: | , , , , , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/29515 |
Resumo: | A Escherichia coli é comumente encontrada na avicultura e muitas vezes sua presença no organismo dos animais e/ou contaminando as camas de aviários não causa estranheza. Por outro lado, a utilização de inteligência artificial, especificamente redes neurais artificiais, está sendo crescentemente empregada como ferramenta para medir relações não lineares entre variáveis. Neste trabalho foram usados os dados disponíveis referentes a 261 amostras da bactéria oriundas de camas de aviários, lesões de celulite e quadros respiratórios de frangos de corte. O diagnóstico laboratorial envolveu o isolamento do agente, a caracterização dos genes associados à virulência, as lesões provocadas pela inoculação em pintos, o Índice de Patogenicidade das amostras e a resistência antimicrobiana a 14 antibióticos que foram as entradas das redes neurais e sete provas bioquímicas as saídas. A principal conclusão deste artigo foi de que as redes neurais foram capazes de realizar a classificação correta do comportamento das amostras com amplitude de 87,80% a 98,37%. A sensibilidade e a especificidade das classificações obtidas variaram de 59,32% a 99,47% e de 80,00% a 98,54%, respectivamente. |
id |
UFRGS-2_755f398dc6ad32657f905e440db15e98 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/29515 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Salle, Felipe de OliveiraFortes, Flávia BorgesRocha, Silvio Luis da SilveiraRocha, Ana Cristina Pinto daSouza, Guilherme Fonseca deMoraes, Hamilton Luiz de SouzaMoraes, Lucas Brunelli deSalle, Carlos Tadeu Pippi2011-06-10T06:00:23Z20101678-0345http://hdl.handle.net/10183/29515000772822A Escherichia coli é comumente encontrada na avicultura e muitas vezes sua presença no organismo dos animais e/ou contaminando as camas de aviários não causa estranheza. Por outro lado, a utilização de inteligência artificial, especificamente redes neurais artificiais, está sendo crescentemente empregada como ferramenta para medir relações não lineares entre variáveis. Neste trabalho foram usados os dados disponíveis referentes a 261 amostras da bactéria oriundas de camas de aviários, lesões de celulite e quadros respiratórios de frangos de corte. O diagnóstico laboratorial envolveu o isolamento do agente, a caracterização dos genes associados à virulência, as lesões provocadas pela inoculação em pintos, o Índice de Patogenicidade das amostras e a resistência antimicrobiana a 14 antibióticos que foram as entradas das redes neurais e sete provas bioquímicas as saídas. A principal conclusão deste artigo foi de que as redes neurais foram capazes de realizar a classificação correta do comportamento das amostras com amplitude de 87,80% a 98,37%. A sensibilidade e a especificidade das classificações obtidas variaram de 59,32% a 99,47% e de 80,00% a 98,54%, respectivamente.The Escherichia coli is often found in the poultry industry and, many times, its presence in the organism of the animals and/or contaminating the litter of poultry houses don’t cause surprise. On the other hand, the use of artificial intelligence, specifically, artificial neural network, is being increasingly used as tool to measure not linear relations between variables. In this work we used available data from 261 samples of the bacterium isolated of poultry litter, lesions of cellulitis and respiratory problems of broilers. The laboratory diagnosis involved the isolation of the agent, the characterization of the genes associates with the virulence, the lesions provoked by the inoculation in day-old-chicks, the Pathogenicity Index of the samples and the antimicrobial resistance against 14 antibiotics. Those variables were the inputs of the neural network and the outputs were seven biochemical tests. The main conclusion of this paper was that the neural network were capable to make correct classification of the biochemical reactions of all the samples with amplitude from 87.80% to 98.37%. The sensitivity and the specificity of the classifications varied from 59.32% to 99.47% and from 80.00% to 98.54%, respectively.application/pdfporActa scientiae veterinariae. Vol. 38, n. 1/2 (2010), p. 59-62BioquímicaEscherichia coliRedes neurais artificiaisEscherichia coliBiochemical reactionsArtificial neural networkUtilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corteThe use of artificial intelligence (artifical neural networks) to classify the biochemical reactions of Escherichia colli isolates from broilers info:eu-repo/semantics/articleinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT000772822.pdf.txt000772822.pdf.txtExtracted Texttext/plain13775http://www.lume.ufrgs.br/bitstream/10183/29515/2/000772822.pdf.txt501cd15d907fb9a43ab176f435c97d83MD52ORIGINAL000772822.pdf000772822.pdfTexto completoapplication/pdf121165http://www.lume.ufrgs.br/bitstream/10183/29515/1/000772822.pdfd7af7d4b49fa99dcc87399361cef4961MD51THUMBNAIL000772822.pdf.jpg000772822.pdf.jpgGenerated Thumbnailimage/jpeg1861http://www.lume.ufrgs.br/bitstream/10183/29515/3/000772822.pdf.jpg50dca8ed037d86ac836f65e383e47c74MD5310183/295152018-10-05 08:31:05.38oai:www.lume.ufrgs.br:10183/29515Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2018-10-05T11:31:05Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte |
dc.title.alternative.en.fl_str_mv |
The use of artificial intelligence (artifical neural networks) to classify the biochemical reactions of Escherichia colli isolates from broilers |
title |
Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte |
spellingShingle |
Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte Salle, Felipe de Oliveira Bioquímica Escherichia coli Redes neurais artificiais Escherichia coli Biochemical reactions Artificial neural network |
title_short |
Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte |
title_full |
Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte |
title_fullStr |
Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte |
title_full_unstemmed |
Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte |
title_sort |
Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte |
author |
Salle, Felipe de Oliveira |
author_facet |
Salle, Felipe de Oliveira Fortes, Flávia Borges Rocha, Silvio Luis da Silveira Rocha, Ana Cristina Pinto da Souza, Guilherme Fonseca de Moraes, Hamilton Luiz de Souza Moraes, Lucas Brunelli de Salle, Carlos Tadeu Pippi |
author_role |
author |
author2 |
Fortes, Flávia Borges Rocha, Silvio Luis da Silveira Rocha, Ana Cristina Pinto da Souza, Guilherme Fonseca de Moraes, Hamilton Luiz de Souza Moraes, Lucas Brunelli de Salle, Carlos Tadeu Pippi |
author2_role |
author author author author author author author |
dc.contributor.author.fl_str_mv |
Salle, Felipe de Oliveira Fortes, Flávia Borges Rocha, Silvio Luis da Silveira Rocha, Ana Cristina Pinto da Souza, Guilherme Fonseca de Moraes, Hamilton Luiz de Souza Moraes, Lucas Brunelli de Salle, Carlos Tadeu Pippi |
dc.subject.por.fl_str_mv |
Bioquímica Escherichia coli Redes neurais artificiais |
topic |
Bioquímica Escherichia coli Redes neurais artificiais Escherichia coli Biochemical reactions Artificial neural network |
dc.subject.eng.fl_str_mv |
Escherichia coli Biochemical reactions Artificial neural network |
description |
A Escherichia coli é comumente encontrada na avicultura e muitas vezes sua presença no organismo dos animais e/ou contaminando as camas de aviários não causa estranheza. Por outro lado, a utilização de inteligência artificial, especificamente redes neurais artificiais, está sendo crescentemente empregada como ferramenta para medir relações não lineares entre variáveis. Neste trabalho foram usados os dados disponíveis referentes a 261 amostras da bactéria oriundas de camas de aviários, lesões de celulite e quadros respiratórios de frangos de corte. O diagnóstico laboratorial envolveu o isolamento do agente, a caracterização dos genes associados à virulência, as lesões provocadas pela inoculação em pintos, o Índice de Patogenicidade das amostras e a resistência antimicrobiana a 14 antibióticos que foram as entradas das redes neurais e sete provas bioquímicas as saídas. A principal conclusão deste artigo foi de que as redes neurais foram capazes de realizar a classificação correta do comportamento das amostras com amplitude de 87,80% a 98,37%. A sensibilidade e a especificidade das classificações obtidas variaram de 59,32% a 99,47% e de 80,00% a 98,54%, respectivamente. |
publishDate |
2010 |
dc.date.issued.fl_str_mv |
2010 |
dc.date.accessioned.fl_str_mv |
2011-06-10T06:00:23Z |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/other |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/29515 |
dc.identifier.issn.pt_BR.fl_str_mv |
1678-0345 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000772822 |
identifier_str_mv |
1678-0345 000772822 |
url |
http://hdl.handle.net/10183/29515 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.ispartof.pt_BR.fl_str_mv |
Acta scientiae veterinariae. Vol. 38, n. 1/2 (2010), p. 59-62 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/29515/2/000772822.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/29515/1/000772822.pdf http://www.lume.ufrgs.br/bitstream/10183/29515/3/000772822.pdf.jpg |
bitstream.checksum.fl_str_mv |
501cd15d907fb9a43ab176f435c97d83 d7af7d4b49fa99dcc87399361cef4961 50dca8ed037d86ac836f65e383e47c74 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224727720624128 |