Sistema de control digital basado en Machine Learning para el monitoreo de procesos de propagación in vitro: estudio comparativo de casos institucionales
Palabras clave:
machine learning, propagación in vitro, sistemas inteligentes, control digital, análisis comparativoResumen
El presente estudio analiza comparativamente la gestión de datos experimentales en procesos de propagación in vitro a partir de tres investigaciones institucionales desarrolladas en la Universidad Técnica de Cotopaxi, correspondientes a banano (Musa × paradisiaca L.), heliconias (Heliconia sp.) y arándano (Vaccinium corymbosum L.). En dichos estudios se evidencia un manejo predominantemente manual de la información experimental, lo que limita la trazabilidad, integración de variables y la capacidad de análisis avanzado. A partir de este análisis, se propone un sistema de control digital basado en Machine Learning, orientado a automatizar el registro, almacenamiento y análisis de variables experimentales. La metodología adoptó un enfoque comparativo y descriptivo, contrastando los mecanismos tradicionales de gestión de datos con la propuesta tecnológica. Los resultados evidencian mejoras potenciales en la organización de la información, reducción de errores humanos y habilitación de análisis predictivos. El estudio demuestra el aporte de la ingeniería en sistemas a la digitalización de procesos biotecnológicos mediante el uso de sistemas inteligentes.
Descargas
Referencias
Abdalla, N., El-Ramady, H., Seliem, M. K., El-Mahrouk, M. E., Taha, N., Bayoumi, Y., Shalaby, T. A., & Dobránszki, J. (2022). An Academic and Technical Overview on Plant Micropropagation Challenges. Horticulturae, 8(8), 677. https://doi.org/10.3390/horticulturae8080677
Barga, R. et al. (2011). The Client and the Cloud: Democratizing Research Computing. IEEE Internet Computing, 15(1), 72-75.
Cayo Toaquiza, N. Y., & Peralta Puedmag, E. A. (2021). Propagación in vitro del cultivo de arándano (Vaccinium corymbosum L.) en el Cantón Cevallos, Provincia Tungurahua [Tesis de grado, Universidad Técnica de Cotopaxi]. https://repositorio.utc.edu.ec/handle/27000/7298
Corro Yanchaliquin, A. E. (2025). Establecimiento in vitro de banano (Musa × paradisiaca L.) [Tesis de grado, Universidad Técnica de Cotopaxi]. https://repositorio.utc.edu.ec/items/f3f5400d-df54-4e10-9317-a12957840a0c
Demirel, F., Yıldırım, B., & Yıldırım, F. (2023). Usage of Machine Learning Algorithms for Micropropagation in Aronia melanocarpa. Horticulturae, 9(10), 1112. https://doi.org/10.3390/horticulturae9101112
George, E. F., Hall, M. A., & De Klerk, G.-J. (2008). Plant Propagation by Tissue Culture. Springer. https://doi.org/10.1007/978-1-4020-5005-3
Hesami, M., & Jones, A. M. P. (2020). Application of artificial intelligence models and optimization algorithms in plant cell and tissue culture. Applied Microbiology and Biotechnology, 104(22), 9449-9485. https://doi.org/10.1007/s00253-020-10888-2
Hey, T., Tansley, S., & Tolle, K. (2010). The Fourth Paradigm: Data-Intensive Scientific Discovery. Microsoft Research.
Jafari, M., Ahmadi-Lahijani, M. J., & Daneshvar, M. H. (2023). Prediction and optimization of indirect shoot regeneration using machine learning. BMC Biotechnology, 23, 15. https://doi.org/10.1186/s12896-023-00796-4
Jafari, M., Daneshvar, M. H., & Ahmadi-Lahijani, M. J. (2022). Machine Learning-Assisted In Vitro Rooting Optimization of Passiflora caerulea. Forests, 13(12), 2020. https://doi.org/10.3390/f13122020
Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big Data & Society, 1(1). https://doi.org/10.1177/2053951714528481
Libbrecht, M. W., & Noble, W. S. (2015). Machine learning applications in genetics and genomics. Nature Reviews Genetics, 16(6), 321-332.
Mons, B. et al. (2017). Cloudy, increasingly FAIR; revisiting the FAIR Data guiding principles for the European Open Science Cloud. Information Services & Use, 37(1), 49-56.
Mora Vaca, M. F., & Pilatasig Pilatasig, J. V. (2025). Propagación in vitro de heliconias (Heliconia sp.) a partir de explantes nodales con diferentes tipos de hormonas [Tesis de grado, Universidad Técnica de Cotopaxi – Extensión La Maná]. https://repositorio.utc.edu.ec/handle/123456789/14903
Niazian, M., & Niedbała, G. (2020). Machine Learning for Plant Breeding and Biotechnology. Agriculture, 10(10), 436. https://doi.org/10.3390/agriculture10100436
Oluwole, O. G., Oosterwyk, C., & Anderson, D. (2022). Implementation of Laboratory Information Management Systems in genetics studies. Journal of Molecular Pathology, 3(4), 262-272. https://doi.org/10.3390/jmp3040022
Pepe, M., Hesami, M., & Jones, A. M. P. (2025). A comprehensive guide to machine learning-mediated optimization of medium composition for enhanced in vitro performance. Biocatalysis and Agricultural Biotechnology, 69, 103810. https://doi.org/10.1016/j.bcab.2025.103810
Pepe, M., Hesami, M., Small, F., & Jones, A. M. P. (2021). Comparative analysis of machine learning and evolutionary optimization algorithms for precision micropropagation of Cannabis sativa. Frontiers in Plant Science, 12, 757869. https://doi.org/10.3389/fpls.2021.757869
Qader, R. A. H. A., & Mohammad, M. J. (2023). Modelling mechanisms for measurable and detection based on artificial intelligence. IAES International Journal of Artificial Intelligence (IJ-AI), 12(4), 2042-2047. https://doi.org/10.11591/ijai.v12.i4.pp2042-2047
Rooke, C., & Habicher, T. (2024). Digitalization concepts in academic bioprocess development. Engineering in Life Sciences. https://doi.org/10.1002/elsc.202300238
Wilkinson, M. D. et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018.
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Danny Manuel Diaz Puruncaja, Dayana Noemi Cedeño Zambrano, Mauricio Nabor Loor Cepeda
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
