New methodological approaches for the treatment of imprecise data: integration of fuzzy logic and R-Shiny
Cargando...
Compartir
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Medellín
Documentos PDF
Resumen
Descripción
This study proposes a methodology based on fuzzy logic for the analysis of biotechnological data with uncertainty, applied to the characterization and classification of filamentous fungi strains. The methodology aims to optimize the representation of variability in experimental data and enable better interpretation compared to traditional statistical approaches. A case study is presented focusing on the mycelial growth of different fungal strains, considering parameters such as expansion rate, structural density, and morphometric dimensions. Fisher’s optimal partition was used to model this information, defining classification ranges and subsequently estimating the fuzzy sets. Once the fuzzy variables were established, the data were transformed into fuzzy numbers and represented in contingency tables for structured analysis. To assess the relationship between the strains and their growth categories, Fisher’s exact test was employed, allowing the determination of statistical significance of the associations among the fuzzy variables obtained. This strategy improves the characterization of mycelial growth by capturing gradual transitions and reducing information loss associated with rigid segmentation. As an innovative contribution, an R-Shiny web application was developed to facilitate interactive data analysis without requiring advanced programming skills. The results show that fuzzy modeling enhances the interpretation and classification of fungal strains and provides a replicable methodological framework in biotechnology and other fields with data uncertainty.
Este estudio propone una metodología basada en lógica difusa para el análisis de datos biotecnológicos con incertidumbre, aplicada a la caracterización y clasificación de cepas de hongos filamentosos. La metodología busca optimizar la representación de la variabilidad en datos experimentales, y permitir una mejor interpretación en comparación con enfoques estadísticos tradicionales. Se presenta un caso de estudio que se centra en el crecimiento micelial de distintas cepas de hongos, considerando parámetros como velocidad de expansión, densidad estructural y dimensiones morfométricas. Para modelar esta información se utilizó la partición óptima de Fisher para definir los rangos de clasificación y posteriormente estimar los conjuntos difusos. Una vez establecidas las variables difusas, los datos fueron transformados en números borrosos, representados en tablas de contingencia para su análisis estructurado. Para evaluar la relación entre las cepas y sus categorías de crecimiento se empleó la prueba exacta de Fisher, que permite determinar la significancia estadística de las asociaciones entre las variables difusas obtenidas. Esta estrategia mejora la caracterización del crecimiento micelial al capturar transiciones graduales y reducir la pérdida de información asociada a segmentaciones rígidas. Como aporte innovador, se desarrolló una aplicación web en R-Shiny que facilita el análisis interactivo de datos, sin requerir conocimientos avanzados en programación. Los resultados muestran que la modelización difusa mejora la interpretación y clasificación de cepas de hongos, y proporciona un marco metodológico replicable en biotecnología y otras áreas con incertidumbre en los datos.
Este estudio propone una metodología basada en lógica difusa para el análisis de datos biotecnológicos con incertidumbre, aplicada a la caracterización y clasificación de cepas de hongos filamentosos. La metodología busca optimizar la representación de la variabilidad en datos experimentales, y permitir una mejor interpretación en comparación con enfoques estadísticos tradicionales. Se presenta un caso de estudio que se centra en el crecimiento micelial de distintas cepas de hongos, considerando parámetros como velocidad de expansión, densidad estructural y dimensiones morfométricas. Para modelar esta información se utilizó la partición óptima de Fisher para definir los rangos de clasificación y posteriormente estimar los conjuntos difusos. Una vez establecidas las variables difusas, los datos fueron transformados en números borrosos, representados en tablas de contingencia para su análisis estructurado. Para evaluar la relación entre las cepas y sus categorías de crecimiento se empleó la prueba exacta de Fisher, que permite determinar la significancia estadística de las asociaciones entre las variables difusas obtenidas. Esta estrategia mejora la caracterización del crecimiento micelial al capturar transiciones graduales y reducir la pérdida de información asociada a segmentaciones rígidas. Como aporte innovador, se desarrolló una aplicación web en R-Shiny que facilita el análisis interactivo de datos, sin requerir conocimientos avanzados en programación. Los resultados muestran que la modelización difusa mejora la interpretación y clasificación de cepas de hongos, y proporciona un marco metodológico replicable en biotecnología y otras áreas con incertidumbre en los datos.
Palabras clave
Fuzzy logic, Filamentous fungi, Mycelial growth, Biotechno- logy, Data analysis, Mathematical modeling, Artificial intelligence, Data classification, Fuzzy systems, Scientific software, Lógica difusa, Hongos filamentosos, Crecimiento micelial, Biotecnología, Análisis de datos, Modelización matemática, Inteligencia artificial, Clasificación de datos, Sistemas difusos, Software científico