Classification of neocortical interneurons using affinity propagation

In spite of over a century of research on cortical circuits, it is still unknown how many classes of cortical neurons exist. Neuronal classification has been a difficult problem because it is unclear what a neuronal cell class actually is and what are the best characteristics are to define them. Recently, unsupervised classifications using cluster analysis based on morphological, physiological or molecular characteristics, when applied to selected datasets, have provided quantitative and unbiased identification of distinct neuronal subtypes. However, better and more robust classification methods are needed for increasingly complex and larger datasets. We explored the use of affinity propagation, a recently developed unsupervised classification algorithm imported from machine learning, which gives a representative example or exemplar for each cluster. As a case study, we applied affinity propagation to a test dataset of 337 interneurons belonging to four subtypes, previously identified based on morphological and physiological characteristics. We found that affinity propagation correctly classified most of the neurons in a blind, non-supervised manner. In fact, using a combined anatomical/physiological dataset, our algorithm differentiated parvalbumin from somatostatin interneurons in 49 out of 50 cases. Affinity propagation could therefore be used in future studies to validly classify neurons, as a first step to help reverse engineer neural circuits.

Lehiaketa motor baten atzealde-suspentsio sistema doigarri baten elementuen diseinua

[EU]Proiektu hau lehiaketa motor baten atzealde-suspentsio sistema doigarri baten elementuen diseinuan datza. Luzeran erregulagarria izango den tirantea eta suspentsio triangelua diseinatu eta optimizatuko dira. Diseinuak ahalik eta pisu txikiena izatea ahalbidetzen duten makinen elementuak (errotulak eta errodamenduak) aukeratuko dira. Lanaren garapenerako Motostudent izeneko lehiaketatik hartutako datu errealak erabiliko dira. Suspentsio sistemaren diseinua Creo2.0 (lehengo Pro-Engineer) software-arekin egingo da. Bestalde, beste software batzuk ere erabiliko dira, hala nola, Working Model 2D eta ANSYS, sistemaren analisia errazteko.

Construcción de una aplicación basada en modelos para la generación de guías de test integrados en la plataforma de ejecución de guías de práctica clínica AIDE-GTP

Este proyecto trata de abordar las transformaciones entre diferentes estándares para Test Informatizados, de manera automática, gracias a la Ingeniería dirigida por Modelos (MDE - Model Driven Engineer), para así obtener un estándar capaz de formar parte en una plataforma de ejecución de Guías de Práctica Clínica. Esto se consigue mediante la generación automática de Guías de Test, partiendo de Test Informatizados en los formatos estándar Aiken y Gift.

Kautxu birziklatuzko materialek inpaktura duten erantzunaren simulazioa.

[EU]Ondorengo lanean ingeniaritzaren eremuan aurkitzen den eginkizunik garrantzitsuenetako bat egingo da: material berri bat karakterizatu. Hau da, errealitatean ikusten duguna era matematiko batean idatzi, edo beste era batean esanda, modelo matematiko bat lortu. Jorratuko den materiala kautxu birziklatua izango da, pneumatiko zaharretatik abiatuz egiten dena. Material honek, besteak beste, hurrengo abantailak ditu: produzitzeko erraza (beraz, prezio ekonomikoak, lehengaiak hondakin solidoak direla ikusita) eta inpakturako erantzun ona. Kautxu hau, beste erabileren artean, segurtasun-errailetan erabiltzen da, moto-gidariak ebaketetatik babesteko. Modelo matematikoa edo konstitutiboa lortzeko, lege hiperelastiko eta biskoelastikoetatik abiatuz, portaera bisko-hiperelastikorako lege bat proposatuko da. Lege hau deformazio handietarako eta deformazio abiadura handietarako aplikatu egingo da. Honen oinarria aurreko urteetan eskola honetako beste ikasleek eginiko gradu eta karrera amaierako lanak izango dira. Behin hau izanda, elementu finituetako software baten bidez simulatuko da, eta emaitza numerikoak esperimentalekin alderatuko dira. Honen bidez, modeloa hobetu ahal izango dugu, zehaztasun gehiago lortzeko asmoz.