Pedro Saa, Martín Cárcamo, Javiera López, J.Ricardo Pérez, Claudio Gelmi.
JI3 2011, número 1, páginas 26-29.
Abstract
Los procesos en biotecnología inicialmente se estudian por lo general a escala de laboratorio en sistemas batch,en que el análisis resulta complicado debido al carácter dinámico de estos. Los modelos que describen este tipo de sistemas, son de tipo dinámico y normalmente contienen un gran número de parámetros que es necesario calibrar a partir de un conjunto limitado de experimentos. El proceso general para identificar un modelo consistente en encontrar el set de parámetros óptimos que permite reproducir la dinámica observada del sistema de la forma mas precisa posible. Este proceso, conocido como regresión o calibración – básicamente una optimización – puede validarse contrastando los resultados del modelo con nuevos datos experimentales. En modelos biotecnológicos complejos es conveniente utilizar métodos de optimización global (GO) para encontrar el set de parámetros óptimos. Estos métodos se traducen en códigos robustos que pueden localizar el óptimo global en un número razonable de iteraciones y son capaces de manejar el ruido y/o las discontinuidades de la función objetivo. Los algoritmos estocásticos – un tipo de GO – tratan la función objetivo como una caja negra, es decir, como una simple relación entre las entradas y salidas. Dentro de ellos, los algoritmos metaheurísticos son especialmente útiles y cada vez mas utilizados en biotecnología. Ellos consideran procesos interativos que encuentran eficientemente soliciones cercanas al óptimo, combinando de forma adecuada diferentes estrategias de aprendizaje para explorar los espacios de busqueda. Estos métodos son relativamente fáciles de codificar, lo que los hace apropiados para una amplia variedad de problemas. Sin embargo, un buen ajuste a los datos experimentales, pero generan estimaciones poco confiables de los parámetros. Por lo tanto, la calidad de la estimación de parámetros, en términos de precisión, se debe comprobar antes de llegar a una interpretación significativa de los resultados. Los procedimientos necesarios para probar la calidad de la estimación de parámetros se llaman diagnósticos de pre/post-regresión y abarcan varios métodos.