Hedgeye (United States)

[ESP] La presencia de pectenotoxinas (PTX) en los moluscos fue descubierta debido a su elevada toxicidad aguda en el bioensayo en ratón mediante inyección intraperitoneal de extractos lipofílicos. Los estudios en animales indican que son mucho menos potentes vía oral y que no inducen diarrea. En este trabajo, hemos caracterizado la respuesta citotóxica de la PTX-2 in vitro en dos líneas celulares, las células de Caco-2 y las células de neuroblastoma, incluyendo marcadores de citotoxicidad y de apoptosis. Hemos evaluado los potentes cambios estructurales que provoca la PTX-2 sobre ambos modelos celulares, el desprendimiento del sustrato, el redondeamiento celular y los cambios en el citoesqueleto, así como la integridad de la membrana plasmática que no se ve afectada por la PTX-2 en ninguna de las líneas celulares estudiadas. Por otro lado, hemos abordado el estudio de distintos marcadores de apoptosis: potencial de membrana de mitocondria, fragmentación del DNA y activación de caspasas. Entre ellos el que más se ve afectado por el tratamiento celular con la PTX-2 es el potencial de membrana de mitocondria, mientras que otros marcadores o no se ven afectados o el efecto es poco relevante.

Recent work has shown that machine learning (ML) models can skillfully forecast the dynamics of unknown chaotic systems. Short-term predictions of the state evolution and long-term predictions of the statistical patterns of the dynamics (“climate”) can be produced by employing a feedback loop, whereby the model is trained to predict forward only one time step, then the model output is used as input for multiple time steps. In the absence of mitigating techniques, however, this feedback can result in artificially rapid error growth (“instability”). One established mitigating technique is to add noise to the ML model training input. Based on this technique, we formulate a new penalty term in the loss function for ML models with memory of past inputs that deterministically approximates the effect of many small, independent noise realizations added to the model input during training. We refer to this penalty and the resulting regularization as Linearized Multi-Noise Training (LMNT). We systematically examine the effect of LMNT, input noise, and other established regularization techniques in a case study using reservoir computing, a machine learning method using recurrent neural networks, to predict the spatiotemporal chaotic Kuramoto–Sivashinsky equation. We find that reservoir computers trained with noise or with LMNT produce climate predictions that appear to be indefinitely stable and have a climate very similar to the true system, while the short-term forecasts are substantially more accurate than those trained with other regularization techniques. Finally, we show the deterministic aspect of our LMNT regularization facilitates fast reservoir computer regularization hyperparameter tuning.