Detalles

Categoría: Signals ChemDraw

Publicado: 19 Junio 2025

Visto: 2903

• ChemDraw
• Revvity Signals Software
• Signals ChemDraw
• Revvity

Si eres químico, investigador o estudiantes en ciencias, seguro que conoces ChemDraw. Pero, ¿sabías que existen varias versiones adaptadas a diferentes necesidades? La compañía Revvity Signals acaba de publicar una guía definitiva para ayudarte a elegir la herramienta ideal: ChemDraw Prime, ChemDraw Professional y Signals ChemDraw.

ChemDraw Prime

La opción básica, rápida y eficiente para crear dibujos químicos estándar. Perfecta para generar gráficos de moléculas y reacciones con estilo editorial en minutos. Ideal si necesitas productividad sin complicaciones.

ChemDraw Professional

Va un paso más allá. Incluye predicciones avanzadas (pKa, espectros NMR ^1H y ^13C), conversión nombre‑a‑estructura y viceversa, y acceso a bases de datos científicas como SciFinder‑n y Reaxys . Si tu trabajo exige análisis computacional y búsquedas químicas integradas, esta es tu opción.

Signals ChemDraw

La versión más completa rompe el molde: integra un ecosistema en la nube, gestión centralizada de licencias y control por usuario mediante la plataforma Signals. Permite acceso desde desktop y web, sincronización automática, colaboración en equipo, almacenamiento en la nube y herramientas específicas para biopolímeros (HELM monómeros) . Es ideal si tu flujo de trabajo está orientado al trabajo en equipo y gestión avanzada de datos químicos.

VERSIÓN	IDEAL PARA...	CARACTERÍSTICAS CLAVE
Prime	Dibujos estándar de moléculas/reacciones	Rápido y con herramientas básicas de dibujo
Professional	Investigación química y espectroscópica	Predicciones NMR, nombre↔estructura, integración con bases de datos
Signals ChemDraw	Equipos colaborativos, nube y gestión de datos químicos	Licencias Saas, formación basada en la nube, colaboración, HELM

¿Y tú qué necesitas?

• ¿Dibujar moléculas para presentaciones o publicaciones? → ChemDraw Prime
• ¿Necesitas predicciones NMR o búsquedas químicas? → ChemDraw Professional
• ¿Trabajas en equipo, usas nube o gestionas datos complejos? → Signals ChemDraw

¿No estás segura aún? Con esta guía podrás responder a la pregunta clave: ¿Cuál ChemDraw es mejor para ti?

Según tus necesidades, ya sabes: desde rapidez con Prime hasta colaboración total con Signals.

Detalles

Categoría: NAG

Publicado: 18 Junio 2025

Visto: 1812

• NAG
• Energía
• Finanzas
• Inteligencia artificial
• numerical algorthms group
• optimización no convexa
• optimización estocástica
• logística

Publicado por NAG el 6/12/2025

Optimización no convexa y estocástica en 2025: Los motores de la inteligencia del mundo real

1. La forma de la complejidad en los sistemas modernos

Históricamente, la optimización se limitaba en gran medida a problemas convexos bien estructurados, entornos donde las garantías teóricas y la eficiencia algorítmica se alineaban perfectamente. Esto tenía sentido: los algoritmos para programas lineales y convexos a gran escala, capaces de manejar millones de variables y restricciones, han madurado durante décadas. Por el contrario, los problemas no convexos, incluidos los que involucran estructuras discretas o combinatorias, seguían siendo computacionalmente intratables a escala. Pero para 2025, el panorama ha cambiado. Los sistemas comerciales modernos se definen cada vez más por la complejidad, la escala y la incertidumbre. A medida que las industrias pasan de marcos deterministas basados en reglas a arquitecturas basadas en datos infundidas con aleatoriedad, dos pilares metodológicos han surgido como esenciales: la no convexidad y la estocasticidad. Estos forman la base matemática para una optimización robusta y adaptativa en el mundo real.

• La no convexidad se refiere a problemas donde la función objetivo o las restricciones presentan múltiples mínimos locales, mesetas planas o discontinuidades. Resolver estos problemas requiere escapar de los óptimos locales y explorar globalmente.
• La estocasticidad implica modelar explícitamente la aleatoriedad. Esto es crucial cuando los datos, las entradas o los entornos son ruidosos, incompletos o cambiantes, condiciones que prevalecen en casi todos los contextos operativos a gran escala. La combinación de optimización y procesos estocásticos es una de las más fructíferas en las matemáticas aplicadas.

Estos dos paradigmas, utilidados solos o juntos, forman la columna vertebral computacional de los sistemas modernos de toma de decisiones.

2. Donde importa: Seis frentes de transformación

2.1. IA y aprendizaje automático

El aprendizaje profundo, la base de la IA moderna, implica inherentemente entornos de optimización no convexos. Entrenar una red neuronal implica minimizar una función de pérdida de alta dimensión, plagada de puntos de silla y mínimos locales. Los métodos basados en gradientes, como el descenso de gradiente estocástico (SGD), funcionan bien en la práctica, pero métodos más recientes, como las estrategias evolutivas y la optimización bayesiana, están ganando terreno para el ajuste de modelos y la búsqueda de hiperparámetros.

Además, la búsqueda de arquitectura neuronal (NAS), donde se aprende la arquitectura del modelo, requiere resolver un problema combinatorio, no convexo y estocástico que combina aprendizaje y optimización. Los algoritmos de aprendizaje por refuerzo también dependen en gran medida de la estocasticidad para explorar espacios de estados y mejorar las políticas a lo largo del tiempo.

2.2. Sistemas distribuidos

Los entornos informáticos distribuidos modernos, desde el aprendizaje federado en dispositivos de borde hasta los clústeres masivos en la nube, se enfrentan a condiciones dinámicas que dificultan la optimización. En el aprendizaje federado, cada dispositivo cliente tiene su propia distribución de datos, lo que genera pérdidas locales no idénticas. El modelo global debe minimizar una suma ponderada de estos objetivos heterogéneos:

$$\underset{w}{min}\sum _{i=1}^N{p}_i{\mathcal{L}}_i(w)$$

dónde $p_i$ refleja la importancia del cliente o el volumen de datos. En los sistemas en la nube, las tareas deben programarse para optimizar la latencia, el coste y el uso de recursos, a menudo con cargas de trabajo inciertas y disponibilidad de recursos cambiante. Estas condiciones introducen naturalmente costes no convexos y entradas estocásticas.

2.3. Energía y sostenibilidad

Los sistemas eléctricos son cada vez más complejos e integran fuentes intermitentes como la eólica y la solar. La optimización en este ámbito suele implicar problemas de compromiso de unidades no convexas y pronósticos estocásticos de la oferta y la demanda. Los operadores deben garantizar el equilibrio y la estabilidad, minimizando al mismo tiempo las emisiones de carbono y los costes.

2.4. Gestión de costes de la nube

La computación en la nube introduce diversos modelos de precios:

• Bajo demanda: coste lineal
• Instancias reservadas: tarifa fija para compromiso a largo plazo
• Precios al contado: fluctúan con la oferta y la demanda

El panorama de costos totales no es uniforme y varía con el tiempo. Los sistemas FinOps basados ​​en IA optimizan las previsiones aleatorias de la demanda futura, aprovechando las condiciones del mercado y garantizando la fiabilidad.

2.5. Cadenas de suministro y logística

Las cadenas de suministro y las redes logísticas modernas operan en entornos altamente dinámicos, condicionados por interrupciones en tiempo real, variabilidad de la demanda, plazos de entrega inciertos y complejas restricciones geopolíticas. Los enfoques de optimización tradicionales, como los algoritmos de ruta más corta o los programas lineales deterministas, resultan insuficientes cuando las funciones de costes son no lineales, la información es incompleta o las acciones deben adaptarse secuencialmente a lo largo del tiempo.

Consideremos un ejemplo canónico: la planificación de movimientos para sistemas logísticos autónomos, como drones, vehículos de reparto autónomos o agentes robóticos de almacén. Estos sistemas deben determinar una trayectoria $\{x_t{\}}_{t=1}^T$ durante un horizonte de planificación , donde cada $x_t\in {\mathbb{R}}^d$ representa el estado del sistema (por ejemplo, ubicación, velocidad) en el paso de tiempo $t$. Un problema general de optimización de trayectoria se puede formular como:

Donde:

• $c(x_t,x_{t+1})$ es una función de coste que captura el tiempo de viaje, el consumo de energía o la exposición al riesgo entre estados consecutivos,
• ${\mathcal{F}}_t\subset {\mathbb{R}}^d$ denota la región factible que varía en el tiempo, teniendo en cuenta las condiciones del tráfico, las zonas de exclusión aérea, las restricciones del terreno o los límites reglamentarios,
• Las restricciones también pueden incluir prevención dinámica de colisiones y límites de uso de recursos (pr ejemplo, niveles de batería).

Esta formulación es inherentemente no convexa, debido a:

• Dinámica no lineal o restricciones cinemáticas (por ejemplo, radios de giro del vehículo, límites de aceleración),
• Estructuras de costes fragmentadas o discontinuas (por ejemplo, precios de congestión o umbrales de peaje),
• Evitación de obstáculos modelada mediante exclusiones espaciales no convexas.

Debido a la presencia de incertidumbre, factores como tiempos de viaje estocásticos, actualizaciones meteorológicas en tiempo real o picos de demanda inesperados conducen a:

• Formulaciones de planificación estocástica, donde el costo o la disponibilidad del viaje dependen del escenario,
• Control en línea o de horizonte regresivo, actualizando continuamente los planes basados en sensores en vivo y datos del mercado.

En la práctica, los métodos de solución incluyen:

• Planificadores de movimiento basados en muestreo (por ejemplo, RRT*, PRM) para búsqueda de viabilidad de alta dimensión,
• Programación no lineal de enteros mixtos (MINLP) para incorporar lógica de control discreta (por ejemplo, selección de segmento de ruta),
• Aprendizaje por refuerzo para aprender políticas adaptativas en condiciones de incertidumbre.
• Búsqueda heurística o metaheurística (por ejemplo, recocido simulado, algoritmos genéticos) para la generación de rutas en tiempo real.

A medida que las infraestructuras logísticas escalan y aumenta la autonomía, los marcos de optimización no convexos y estocásticos se vuelven indispensables para permitir una toma de decisiones resiliente, eficiente y en tiempo real en las cadenas de suministro globales.

2.6. Métodos de optimización modernos

Para abordar estos desafíos, los enfoques híbridos y heurísticos son comunes:

• Las metaheurísticas como los algoritmos genéticos y la optimización por enjambre de partículas exploran espacios de soluciones robustos.
• Los modelos de aprendizaje de refuerzo plantean los problemas como decisiones secuenciales bajo incertidumbre.
• La optimización combinatoria neuronal aprende a resolver problemas de optimización utilizando redes neuronales.

Estos métodos evitan los supuestos de convexidad o determinismo, lo que permite una optimización robusta en condiciones de complejidad del mundo real.

3. Caso práctico: Optimización de cartera moderna

3.1. Definiciones y configuración

Sea:

• $\mathbf{w}\in {\mathbb{R}}^n$ el vector de ponderación de la cartera, donde cada $w_i$ es la fracción de capital asignada al activo $i$
• $R_s\in {\mathbb{R}}^n$ es el vector de retorno de los activos en el escenario $s$
• $p_s\in [0,1]$ es la probabilidad asociada con el escenario $s$, donde $\sum _s{p}_s=1$
• $L(\mathbf{w},s)$ es la pérdida de cartera en el escenario $s$, definido como el rendimiento negativo

3.2. Limitaciones de los modelos clásicos

La optimización de cartera tradicional utiliza el marco media-varianza

$$\underset{\mathbf{w}}{min}{\mathbf{w}}^{\mathrm{\top }}\mathrm{\Sigma }\mathbf{w}\text{sujeto a }{\mathbf{w}}^{\mathrm{\top }}\mu \ge R,{\mathbf{w}}^{\mathrm{\top }}\mathbf{1}=1,\mathbf{w}\ge 0$$

donde:

• $\mu \in {\mathbb{R}}^n$ es el vector de rendimientos esperados
• $\mathrm{\Sigma }\in {\mathbb{R}}^{n\times n}$ es la matriz de covarianza de los retornos
• $R$ es el rendimiento mínimo requerido de la cartera

Esta formulación supone rendimientos distribuidos normalmente, convexidad y restricciones lineales, que rara vez se cumplen en los mercados reales, donde los rendimientos suelen seguir distribuciones leptocúrticas y asimétricas.

3.3. Riesgo de cola y optimización CVaR

Para gestionar los riesgos asimétricos y de cola pesada, definimos

$$L(\mathbf{w},s)=-{\mathbf{w}}^{\mathrm{\top }}{R}_s$$

y minimizamos el Valor de Riesgo Condicional (CVaR) en el nivel $\alpha \in (0,1)$

$$\underset{\mathit{w},\nu ,{\xi }_s}{min}\nu +\frac{1}{1–\alpha }\sum _s{p}_s{\xi }_s$$

$$\text{sujeto a }{\xi }_s\ge L(\mathit{w},s)–\nu ,{\xi }_s\ge 0\mathrm{\forall }s$$

donde:

• $\nu \in \mathbb{R}$ es una variable auxiliar que representa el Valor en Riesgo (VaR), es decir, el cuartil
• ${\xi }_s\in {\mathbb{R}}_{\ge 0}$ captura el exceso de pérdida más allá de $\nu$ en cada escenario

3.4. Restricciones no convexas y realismo del mercado

La región factible del mundo real incluye:

• Costes de transacción: Modelados como funciones lineales o no lineales por partes según el volumen comercial
• Restricciones de liquidez: $w_i\le {\text{volumen máximo negociable}}_i$
• Regulatorio/ESG: Límites de exposición sectorial, puntuaciones de carbono o zonas de exclusión

Estas restricciones a menudo introducen no convexidades en el problema.

3.5. Resolvedores, algoritmos e implementación

Los procesos de optimización prácticos suelen combinar estrategias globales y locales (algoritmos genéticos, recocido simulado, aprendizaje por refuerzo y métodos híbridos) para abordar entornos complejos y no convexos. Las instituciones financieras implementan estas soluciones mediante computación en la nube para el paralelismo, GPU para la aceleración de Monte Carlo, fuentes de datos en tiempo real para la reoptimización adaptativa y rigurosas pruebas de estrés para garantizar su robustez.

4. Conclusión

La optimización actual refleja la complejidad de los sistemas que gobierna. La no convexidad nos permite modelar la naturaleza no lineal, sujeta a restricciones e irregular de los sistemas reales, mientras que los métodos estocásticos incorporan la aleatoriedad como parte intrínseca de la toma de decisiones. Juntos, forman un marco unificado para operaciones adaptativas, escalables y robustas en IA, finanzas, energía y logística. En un mundo cada vez más marcado por la incertidumbre y la escala, estas herramientas ya no son opcionales: son fundamentales.

Referencias

Shapiro, A., Dentcheva, D., y Ruszczynski, A. (2014). Lectures on Stochastic Programming: Modeling and Theory (2nd ed.). Society for Industrial and Applied Mathematics (SIAM). Una referencia completa sobre programación estocástica, que incluye CVaR, modelado de escenarios y fundamentos teóricos.

Boyd, S., y Vandenberghe, L. (2004). Convex Optimization. Cambridge University Press. El texto fundacional sobre optimización convexa, frecuentemente citado para destacar dónde fallan los supuestos convexos.

Detalles

Categoría: Minitab

Publicado: 17 Junio 2025

Visto: 1366

• Minitab
• simulación dinámica
• gemelos digitales
• Simul8
• eventos discretos
• minería de procesos
• planificación de escenarios

Simul8 es la plataforma de simulación más rápida, intuitiva y eficaz del mundo, tanto para escritorio como para la web, donde los clientes pueden experimentar con modelos digitales de procesos reales para tomar decisiones fiables e impactantes.

¿Cómo funciona la simulación?

Una simulación es un modelo animado que imita el funcionamiento de un sistema existente o propuesto, como laoperación diaria de un banco, el funcionamiento de una línea de montaje o la asignación de personal en un hospital o centro de llamadas. Con un software de simulación intuitivo como Simul8, puede crear una maqueta visual, similar a la creación de un diagrama de flujo. Al añadir tiempos y reglas a las tareas, recursos y restricciones que conforman su sistema, la simulación puede representar con precisión su proceso real. La simulación ofrece un enfoque muy potente, basado en evidencias, para la toma de decisiones: al usar una representación visual para probar el impacto de los cambios de proceso y los escenarios hipotéticos, puede encontrar un enfoque que brinde los mejores resultados.

Algunas de las funciones de Simul8 incluyen:

• Simular eventos discretos: transforme la toma de decisiones con un software de simulación rápido e intuitivo.
• Obtener respuestas con gemelos digitales: cree un enfoque rentable para la toma de decisiones en su organización.
• Desbloquear la minería de procesos: cree la estructura completa de su simulación a partir de su registro de datos con un solo clic.
• Planificar para cada escenario: pruebe múltiples ideas en segundos y descubra una forma eficiente de avanzar.

Detalles

Categoría: Comsol

Publicado: 12 Junio 2025

Visto: 1135

• COMSOL Multiphysics
• módulo AC/DC de COMSOL
• alimentación
• industria alimentaria

Introducción y objetivos

La conductividad eléctrica (EC) de una masa para pastel es una propiedad crítica en procesos de cocción por calentamiento óhmico, ya que determina la distribución de calor y afecta fenómenos como la gelatinización del almidón. Sin embargo, su medición experimental es compleja debido a los gradientes de temperatura que se generan en el dispositivo de medición.

El trabajo desarrollado por Niane y sus colaboradores, titulado “Development of a numerical model for measuring the electrical conductivity (EC) of a cake batter” en la revista “Journal of Food Engineering” de Elsevier presenta el desarrollo de un modelo numérico robusto para estimar la EC de la masa de pastel en función de la temperatura y bajo la influencia de campos eléctricos elevados. Para ello los investigadores utilizaron COMSOL Multiphysics®.

Modelización y simulación numérica

El modelo se desarrolló en COMSOL Multiphysics® usando una geometría bidimensional con simetría axial del dispositivo experimental que se muestra en la Figura 1.

La EC de la masa se modeló como función de la temperatura y del grado de gelatinización del almidón, este último descrito por una cinética de primer orden acoplada a una ley de Arrhenius. La optimización de los parámetros del modelo se realizó mediante el método de Nelder-Mead, comparando perfiles de temperatura experimentales y simulados.

Para optimizar el tiempo de cálculo, se utilizó un modelo bidimensional con simetría axial. La malla consistió en 3648 triángulos, 508 elementos de contorno, 23,274 grados de libertad y una calidad media de malla de 0.812. El tiempo de cálculo requerido fue de 20 segundos, utilizando los siguientes módulos en COMSOL Multiphysics®: Transferencia de Calor, Corriente Eléctrica, Flujo Laminar (para el caso del KCl, donde ocurre convección natural) y Optimización General.

Figura 1. Diagrama de un electrolizador para la electro-hidrogenación directa de tolueno.

Resultados/conclusiones

El modelo permitió reproducir con alta precisión los perfiles de temperatura medidos experimentalmente, tal y como se muestra en la Figura 2. La Figura 3 muestra las conductividades eléctricas (EC) de la masa para cada potencial eléctrico. Los resultados muestran que la EC aumentó con el incremento del voltaje. Por último, La Figura 4 muestra la tasa de gelatinización experimental y la obtenida a partir del modelo.

Figura 2. Comparativa entre la temperatura medida y calculada, para distinta cantidad de aditivo.

En definitiva, COMSOL Multiphysics® se muestra como una herramienta poderosa para integrar múltiples fenómenos físicos y validar modelos experimentales complejos, proporcionando información crucial para la optimización de procesos también el ámbito gastronómico.

Figura 3. Conductividad eléctrica de la masa de pastel a diferentes potenciales eléctricos.

Figura 4. tasa de gelatinización experimental y la obtenida a partir del modelo.

Referencias

[1] Niane et al. “Development of a numerical model for measuring the electrical conductivity (EC) of a cake batter”. Journal of Food Engineering (2026) 402 112687.

Detalles

Categoría: Signals ChemDraw

Publicado: 10 Junio 2025

Visto: 2489

• Revvity Signals Software
• Signals ChemDraw

En los últimos meses, Signals ChemDraw ha experimentado una evolución significativa, incorporando nuevas funcionalidades que optimizan la experiencia del usuario y fomentan la colaboración en entornos de investigación. Estas mejoras están diseñadas para facilitar el trabajo diario de los científicos, permitiéndoles centrarse en lo que realmente importa: la ciencia.

ChemDraw+

Compartir dibujos

Los usuarios con privilegios de uso compartido ahora pueden compartir planos en ChemDraw+ con otros usuarios o grupos. Esto se puede hacer desde un dibujo abierto en la vista del editor web o desde el menú de acciones en las vistas de lista detallada Dibujos, Favoritos o Bloc de notas dentro de la aplicación.


El control de acceso de lectura, escritura o completo se puede especificar durante el proceso de uso compartido. Una vez compartido, el acceso se puede eliminar o modificar según sea necesario.

Gira 180 grados vertical y horizontalmente

Las nuevas herramientas de rotación están disponibles en la barra de herramientas en el lado derecho en el nuevo editor. Cuando se utilizan, permiten una rotación de 180 grados tanto horizontal como verticalmente, preservando la estereoquímica molecular. Esto difiere de las herramientas de volteo, que reflejan la estereoquímica dentro de una estructura cuando se usan.

Hilos complementarios insertados en el lienzo en una sola línea sin envolturas de línea

Las hebras complementarias de cualquier longitud de secuencia ahora se insertan en el lienzo de ChemDraw desde la pestaña Texto de HELM en una sola línea horizontal sin ajuste de línea. Las hebras se alinean en función de la complementariedad del emparejamiento de bases.

SMILES mapeados por átomos ahora es compatible con las cadenas de HELM para copiar y pegar

Las SMILES mapeadas en átomos ahora son compatibles con ChemDraw al insertar cadenas de HELM o pegarlas en el lienzo. Además, al generar una cadena HELM para una secuencia que incluye un monómero desconocido o en línea, la cadena HELM resultante ahora usará SMILES mapeados por átomos. Esto reemplaza el formato SMILES extendido utilizado anteriormente.

Las anotaciones de sentido y antisentido ahora están disponibles en biopolímeros de oligonucleótidos

Se ha añadido una nueva sección de biopolímero al panel de Propiedades que permitirá la adición de anotaciones de sentido y antisentido a un oligonucleótido en el nuevo editor de ChemDraw. Cuando se aplica una anotación, se agregará una etiqueta al oligonucleótido en el lienzo. La anotación también se incluirá en la cadena HELM generada para ese biopolímero.

Dibujo de enlaces de hidrógeno entre hebras complementarias con nucleobases no naturales

Los químicos ahora pueden dibujar manualmente enlaces de hidrógeno entre hebras complementarias de ADN/ARN que se generan en ChemDraw que contienen nucleobases no naturales. La herramienta de enlace de hidrógeno se puede seleccionar y utilizar para colocar los enlaces de hidrógeno apropiados de acuerdo con el emparejamiento de bases de Watson-Crick del análogo de nucleobase natural.

Selección de puntos de unión entre monómeros para crear reticulaciones de biopolímeros

Ahora se admite la creación de enlaces cruzados de biopolímeros entre monómeros con múltiples puntos de unión posibles. Al crear un enlace cruzado, los monómeros ahora se expandirán, lo que permitirá a los usuarios seleccionar puntos de unión específicos para realizar la conexión. Después de hacer la selección, los usuarios pueden finalizar el proceso seleccionando "Conectar" y los monómeros se reticularán con éxito.

Las hebras complementarias generadas a partir de la pestaña de texto ahora contienen enlaces de hidrógeno

Las hebras complementarias de ARN o ADN que se crean a partir de la pestaña de texto del editor HELM ahora se crean con enlaces de hidrógeno mapeados automáticamente entre las hebras. Los enlaces de hidrógeno se colocan de acuerdo con el emparejamiento de bases de Watson-Crick. La información de emparejamiento de enlaces de hidrógeno ahora también es compatible con ChemDraw al insertar cadenas HELM o pegarlas en el lienzo. Además, al generar una cadena HELM para una secuencia que contiene enlaces de hidrógeno, la cadena HELM resultante ahora contendrá los detalles del emparejamiento.

Generar herramienta de hebra complementaria

Ahora se pueden generar hebras complementarias de oligonucleótidos a partir de un oligonucleótido seleccionado en el lienzo de ChemDraw. Esta nueva herramienta, disponible en la barra de herramientas contextual de la derecha, permite a los usuarios generar una hebra complementaria cuando se selecciona un oligonucleótido. Cuando se utilice esta nueva herramienta, se generará una hebra complementaria con enlaces de hidrógeno mapeados automáticamente entre las hebras. Los enlaces de hidrógeno se colocan de acuerdo con el emparejamiento de bases de Watson-Crick. En el caso de las secuencias que contengan monómeros personalizados, el complemento se basará en los monómeros equivalentes naturales de la secuencia seleccionada.

Herramienta de emparejamiento automático de HELM

Las hebras complementarias de oligonucleótidos ahora se pueden seleccionar y emparejar automáticamente en el nuevo editor de ChemDraw. Cuando se emparejan, los enlaces de hidrógeno se colocarán entre las hebras de acuerdo con el emparejamiento de bases de Watson-Crick, con la máxima superposición en complementariedad entre las hebras. Para secuencias que contienen monómeros personalizados, los enlaces de hidrógeno se colocarán de acuerdo con los emparejamientos de bases de Watson-Crick basados en los análogos de monómeros naturales. La herramienta de emparejamiento automático aparecerá en la barra de herramientas contextual de la derecha cuando se seleccionen dos secuencias de oligonucleótidos.

Mostrar los extremos 3' y 5' de los oligonucleótidos

Se ha añadido una nueva opción a la sección Biopolímero del panel Propiedades en el nuevo editor ChemDraw que permite a los usuarios mostrar los extremos 3' y 5' de un oligonucleótido en el lienzo. Cuando se selecciona un oligonucleótido, los usuarios pueden elegir mostrar u ocultar la etiqueta seleccionando o desactivando esta opción.

Símbolos químicos

Los símbolos comunes utilizados en los nombres químicos y las condiciones de reacción ahora se pueden agregar a un elemento de texto de ChemDraw en el nuevo editor de ChemDraw utilizando la nueva herramienta Símbolos químicos. Esta herramienta estará disponible en la barra de herramientas contextual de la derecha al editar en un elemento de texto en el lienzo de ChemDraw.

Herramienta de unión

Ahora hay disponible una nueva herramienta de unión en la barra de herramientas contextual derecha del nuevo editor de ChemDraw. Cuando se utiliza, la herramienta de unión permite a los usuarios combinar estructuras en el lienzo de ChemDraw fusionando dos o más átomos seleccionados en un solo átomo.

Curación de monómeros HELM

Nuevo editor de ChemDraw disponible en forma de nuevo monómero

Un nuevo editor de ChemDraw ya está disponible en la forma New Monomer de la aplicación HELM Monomer Curation. La nueva experiencia de dibujo proporciona una interfaz rediseñada con una barra de herramientas dinámica que se adapta al espacio disponible. A medida que las herramientas se contraen para adaptarse a la vista, se puede acceder fácilmente a ellas a través de los menús de la barra de herramientas. El nuevo editor ofrece herramientas adicionales para mejorar la experiencia de dibujo, como el desplazamiento panorámico, los controles de zoom ampliados, las herramientas de rotación y las herramientas de plantilla.


Además, hay disponibles nuevos paneles plegables y redimensionables 'Propiedades', 'Consulta' y 'Estéreo guiado' en el lado derecho del lienzo de edición.


Las capacidades de anotación ahora están disponibles para monómeros y biopolímeros a través del panel de propiedades. Cuando se selecciona un monómero o biopolímero, los usuarios pueden acceder a un nuevo campo de anotación en la sección Monómero o biopolímero, lo que les permite agregar texto y descripciones simples a partes específicas de su secuencia. En el caso de los monómeros anotados, aparece un distintivo en el gráfico para indicar la presencia de una anotación que también se puede ver en la vista previa al pasar el cursor sobre ella.


Las anotaciones de biopolímero se añaden directamente al lienzo de ChemDraw, apareciendo centradas por encima o por debajo de la secuencia. Estas anotaciones se pueden importar de cadenas de HELM y se agregan como anotaciones en línea a la cadena de HELM cuando se generan.

Las conexiones de biopolímero ahora aparecen curvas en lugar de esquinas afiladas.

La visualización de biopolímeros se ha refinado en esta versión con la introducción de enlaces cruzados y conexiones curvas, que reemplazan el diseño anterior de esquinas afiladas. Esta mejora mejora significativamente la claridad visual de estructuras complejas, lo que permite a los usuarios distinguir fácilmente entre enlaces cruzados y enlaces químicos entre monómeros.

En Revvity Signals siguen impulsando el desarrollo de Signals ChemDraw para responder a los retos actuales de la investigación científica. Próximamente se incorporarán nuevas funcionalidades como la mejora en la edición de secuencias HELM, herramientas avanzadas para organizar y visualizar bibliotecas de monómeros, y la posibilidad de definir relaciones entre dibujos en ChemDraw+. Estas mejoras están orientadas a facilitar el trabajo en equipo, potenciar la trazabilidad de los datos y ofrecer una experiencia aún más fluida y potente.

Si quieres conocer más en detalle cómo estas innovaciones pueden aplicarse en tu organización o necesitas asesoramiento para integrar Signals ChemDraw en tus flujos de trabajo, no dudes en ponerte en contacto con nosotros. Estaremos encantados de ayudarte.

Detalles

Categoría: Minitab

Publicado: 10 Junio 2025

Visto: 1920

• Minitab
• Minitab Solution Center
• Minitab AI
• análisis de tendencias
• pronósticos a corto plazo

Por Joshua Zable

Como Director Financiero, siempre me enfrento al reto de equilibrar decisiones a corto y largo plazo. Comprender las perspectivas a corto plazo me permite acelerar o frenar adecuadamente las inversiones a largo plazo sin comprometer los resultados a corto plazo. Demasiados ejecutivos estiman la tendencia a corto plazo basándose en su intuición o experiencia, sobre todo cuando existe un método de series de tiempo muy sencillo, apropiadamente llamado Análisis de Tendencias , que nos ofrece una visión estadística del corto plazo. Así es como Minitab puede ayudarle a realizar pronósticos fiables a corto plazo en minutos (¡o menos!).

Análisis de tendencias: su método de pronóstico a corto plazo

Para ser claros, existen muchos métodos estadísticos potentes que pueden utilizarse para pronosticar. El análisis de tendencias se prefiere a corto plazo debido a su simplicidad y la capacidad de configurar y ejecutar un modelo rápidamente. Otros métodos, como ARIMA u otros métodos de aprendizaje automático, son bastante potentes, pero su configuración o ejecución pueden requerir más tiempo.

Ver la tendencia e identificarla antes de pronosticar

Aunque el análisis de tendencias es simple, como la mayoría de los métodos estadísticos, requiere cierta reflexión. En este caso, la forma o pendiente de la tendencia será crucial para el análisis. Representar gráficamente los datos debería dar una pista visual sobre qué modelo de análisis de tendencias utilizar. Sin embargo, a veces las formas pueden parecer similares, por lo que comprender mejor los escenarios típicos descritos por estos modelos le ayudará a decidir. Si aún no se siente seguro, puede ejecutar cada modelo en su conjunto de datos y medir su ajuste utilizando medidas de precisión como MAPE, MAD y MSD . Medir el ajuste de cada modelo puede ser un proceso minucioso, pero también puede requerir mucho tiempo.

Para visualizar su tendencia, utilice el software estadístico Minitab y acceda a nuestro popular Constructor de gráficos. Seleccione "Gráfico de series de tiempo" o vaya al menú Estadísticas > Series de tiempo > "Gráfico de series de tiempo" y grafique sus datos. Una vez que tenga el gráfico, su modelo probablemente se parecerá a uno de los tipos de modelo más comunes: lineal, cuadrático, de crecimiento exponencial y logístico de curva S/Pearl-Reed.

A continuación se muestran ejemplos de gráficos de series temporales de los tipos de tendencias que están asociados con los diferentes tipos de modelos.

Comprensión de los modelos lineales: Los modelos lineales son líneas rectas (para quienes tengan inclinación por las matemáticas, se representan mediante la ecuación Y = a + bX). En la práctica, los modelos lineales representan tendencias con tasas constantes o fijas. En el sector manufacturero, esto podría ser una simple tasa de producción (es decir, cuánto produce una máquina por hora), la tasa de consumo de energía o los costos (suponiendo que no haya ahorros de costos a escala). En cuanto a la previsión de ventas, el modelo lineal se utiliza cuando se espera una tasa de crecimiento similar .

Modelos cuadráticos: ¿una sonrisa o un ceño fruncido?

A diferencia de los modelos lineales, los modelos cuadráticos reflejan una tasa de cambio no constante. Pueden reflejar una tendencia de aceleración o desaceleración y, por lo tanto, confundirse con un modelo exponencial (¡por eso también es tan importante comprender los datos!). Un ejemplo común de manufactura cuadrática podría ser modelar la producción en función de la mano de obra. En algún momento, añadir demasiados trabajadores o aumentar sus horas de trabajo genera rendimientos decrecientes. Otro ejemplo común es modelar precios y ganancias. Si bien el aumento de precios incrementa las ganancias, con el tiempo, un precio más alto podría obstaculizar la demanda, perjudicándola y ralentizando el crecimiento incremental de las ganancias.

Crecimiento exponencial: Ya sea que se encuentre en una situación de crecimiento constante o experimentando una caída exponencial, este modelo significa que la tasa de cambio no solo se acelera o desacelera (como en los modelos cuadráticos), sino que cambia más rápido que en los modelos cuadráticos. Este tipo de modelo se puede utilizar en diversas disciplinas. En finanzas, puede usarse para modelar el interés compuesto, mientras que en ciencias podría modelar la propagación de una pandemia o la propagación de bacterias en un experimento. El crecimiento exponencial también puede observarse en el lanzamiento de un nuevo producto o fármaco, a medida que la adopción se acelera con la concienciación y la aceptación.

Distinguir el crecimiento cuadrático del exponencial es probablemente lo más complicado, por lo que comprender la situación de los datos es crucial. Como mencioné antes, en caso de duda, compare los modelos cuadrático y exponencial midiendo el ajuste con medidas de precisión como MAPE, MAD y MSD .

Curva S/Logística Pearl-Reed: La curva S, a menudo denominada curva logística Pearl-Reed, fue formalizada por primera vez en 1920 por Raymond Pearl y Lowell J. Reed, dos biólogos estadounidenses. Introdujeron esta función logística para describir el crecimiento poblacional bajo restricciones como la escasez de recursos. Básicamente, a medida que los recursos escasean, el crecimiento poblacional se desacelera y se estabiliza. Fuera del ámbito de la biología, la curva S se asocia típicamente con la adopción de productos o tecnología. También puede representar capacitación (una vez capacitada, las habilidades se estabilizan) o incluso la fidelización de los clientes. En general, refleja un escenario con margen de crecimiento, pero que finalmente alcanzará la saturación y, para fines de pronóstico, se utiliza típicamente cuando el pronosticador reconoce que la saturación está comenzando a ocurrir.

¡ Listo para pronosticar! Un tutorial rápido de Minitab

Una vez identificado el tipo de modelo, pronosticar es pan comido. Con los mismos datos que usó para trazar su tendencia, vaya a Estadísticas/ Series temporales/ Análisis de tendencias. Aparecerá un cuadro de diálogo que le preguntará qué variable desea pronosticar.

Una vez seleccionada la variable, simplemente seleccione el tipo de modelo y marque la opción "Generar pronósticos". En este ejemplo, quiero generar 5 puntos de datos más, así que escribí "5" en el campo "Número de pronósticos".

Lea sus resultados…

Tus resultados te proporcionarán una ecuación para tu pronóstico, medidas de precisión, puntos de datos pronosticados y un gráfico. ¡Listo! Misión de pronóstico cumplida.

Ecuación de tendencia ajustada

Yt = (10^4) / (10.0320 + 4601.91×(0.663545^t))

Medidas de precisión

MAPE	1.9285
MAD	2.5353
MSD	11.4483

Pronósticos

Period	Forecast
31	995.441
32	995.902
33	995.209
34	995.412
35	995.547

…Y deje que Minitab AI le brinde la confianza para explicarlos

Muchos de los responsables de la previsión no somos necesariamente expertos en estadística. Si bien ya domina el arte de la previsión a corto plazo, proporcionar contexto adicional le dará mayor confianza en sus predicciones. Al usar Minitab AI para generar un resumen en lenguaje natural, puede comprender rápidamente toda la valiosa información que ofrece Minitab. En nuestro ejemplo, el contenido generado por IA explica que el conjunto de datos es lo suficientemente grande como para realizar una predicción precisa y que el modelo generado es fiable.

Hallazgos clave

1. Ecuación de tendencia ajustada: el modelo predice S_Curve_Values ​​utilizando la ecuación ( Yt = \frac{10^4}{10.0320 + 4601.91 \times (0.663545^t)} ), lo que indica una tendencia decreciente a medida que avanza el tiempo.
2. Valores Pronosticados: Los pronósticos para los próximos cinco períodos (31 a 35) muestran valores que aumentarán gradualmente de 995.441 a 996.547, lo que sugiere una estabilización en los Valores de la Curva S.
3. Medidas de precisión: El modelo demuestra una buena precisión con un error porcentual absoluto medio (MAPE) de 1,9285, una desviación absoluta media (MAD) de 2,5353 y una desviación cuadrática media (MSD) de 11,4483, lo que indica predicciones confiables.
4. Integridad de los datos: el análisis utilizó un conjunto de datos completo sin valores faltantes (NMissing = 0), lo que garantiza la solidez del análisis de tendencias.
5. Longitud de los datos:El análisis se basa en un conjunto de datos de 30 períodos de tiempo, lo que proporciona una base sólida para la evaluación de tendencias.