Empresas no pólo industrial do município de Barcarena-PA utilizam matérias primas, insumos e energia e geram resíduos sólidos, efluentes industriais e esgoto doméstico que são lançados em corpos receptores, alterando as suas características físicas, químicas e microbiológicas. Visando determinar a influência das empresas localizadas no pólo industrial de Barcarena, foi realizado um estudo em um trecho do Rio Pará que sofre influência do lançamento de efluentes industriais das empresas em operação. Para tal, foram selecionados quatro pontos amostrais onde foram realizadas duas campanhas, sendo uma realizada no período menos chuvoso e outra no período chuvoso. Em cada campanha, foram coletadas amostras simultaneamente nos quatro pontos de amostragem durante um período de 12 horas, com intervalos de 90 minutos, iniciando e terminando a coleta no final da vazante. Foram coletadas 36 amostras nos 4 pontos selecionados em cada campanha de amostragem da maré, totalizando 72 amostras nas duas campanhas realizadas. Nas amostras, foram quantificadas variáveis hídricas como: pH, temperatura, condutividade, sólidos totais dissolvidos (STD), cor, sódio, cálcio, potássio, cloreto, alcalinidade e dureza. Os dados foram analisados utilizando o teste estatístico ANOVA de dois fatores com a finalidade de observar se as diferentes variáveis analisadas apresentavam diferenças significativas entre os pontos de amostragem e a sazonalidade, usando nível de significância de 95%. Foi também calculado o Índice de Qualidade de Água (IQA-CETESB). Os testes estatísticos mostraram que a localização dos pontos de amostragem não exerceu influência nos teores médios de pH, porém houve influência significativa para as demais variáveis. Quanto à sazonalidade, houve diferença significativa em praticamente todas as variáveis, com exceção do cloreto e alcalinidade. As amostras de águas apresentaram IQA de qualidade ótima e boa.

Background In recent years, deep learning has gained remarkable attention in medical image analysis due to its capacity to provide results comparable to specialists and, in some cases, surpass them. Despite the emergence of deep learning research on gastric tissues diseases, few intensive reviews are addressing this topic. Method We performed a systematic review related to applications of deep learning in gastric tissue disease analysis by digital histology, endoscopy and radiology images. Conclusions This review highlighted the high potential and shortcomings in deep learning research studies applied to gastric cancer, ulcer, gastritis and non-malignant diseases. Our results demonstrate the effectiveness of gastric tissue analysis by deep learning applications. Moreover, we also identified gaps of evaluation metrics, and image collection availability, therefore, impacting experimental reproducibility.

The role of regulatory elements such as small ncRNAs and their mechanisms are poorly understood in infectious diseases. Tuberculosis is one of the oldest infectious diseases of humans and it is still a challenge to prevent and treat. Control of the infection, as well as its diagnosis, are still complex and current treatments used are linked to several side effects. This study aimed to identify possible biomarkers for tuberculosis by applying NGS techniques to obtain global miRNA expression profiles from 22 blood samples of infected patients with tuberculosis (n = 9), their respective healthy physicians (n = 6) and external healthy individuals as controls (n = 7). Samples were run through a pipeline consisting of differential expression, target genes, gene set enrichment and miRNA–gene network analyses. We observed 153 altered miRNAs, among which only three DEmiRNAs (hsa-let-7g-5p, hsa-miR-486-3p and hsa-miR-4732-5p) were found between the investigated patients and their respective physicians. These DEmiRNAs are suggested to play an important role in granuloma regulation and their immune physiopathology. Our results indicate that miRNAs may be involved in immune modulation by regulating gene expression in cells of the immune system. Our findings encourage the application of miRNAs as potential biomarkers for tuberculosis.

Emerging deep learning-based applications in precision medicine include computational histopathological analysis. However, there is a lack of the required training image datasets to generate classification and detection models. This phenomenon occurs mainly due to human factors that make it difficult to obtain well-annotated data. The present study provides a curated public collection of histopathological images (DeepHP) and a convolutional neural network model for diagnosing gastritis. Images from gastric biopsy histopathological exams were used to investigate the performance of the proposed model in detecting gastric mucosa with Helicobacter pylori infection. The DeepHP database comprises 394,926 histopathological images, of which 111 K were labeled as Helicobacter pylori positive and 283 K were Helicobacter pylori negative. We investigated the classification performance of three Convolutional Neural Network architectures. The models were tested and validated with two distinct image sets of 15% (59K patches) chosen randomly. The VGG16 architecture showed the best results with an Area Under the Curve of 0.998%. The results showed that CNN could be used to classify histopathological images from gastric mucosa with marked precision. Our model evidenced high potential and application in the computational pathology field.

As atividades humanas sobre a terra causam modificação na paisagem no transcorrer do tempo e o sensoriamento remoto gera dados que permitem analisar tais mudanças. Neste sentido, o presente estudo objetivou analisar o uso e ocupação do solo no município de Marapanim, localizado no nordeste do Pará, utilizando como base os dados do TerraClass referentes as classes temáticas mapeadas e monitoradas nos anos de 2008 e 2010. Para tanto, utilizou-se o banco de dados do Projeto TerraClass e os limites municipais estabelecidos pelo Instituto Brasileiro de Geografia e Estatística, que com o uso do aplicativo SPRING, versão 5.2.4, pode se elaborar um mapa temático da cidade com relação às áreas alteradas e não alteradas e também realizou-se a tabulação cruzada dos dados. Pode-se verificar que a região da água doce do município de Marapanim apresentou maiores alterações, principalmente nas classes mosaicos de ocupações e vegetação secundária. Estas alterações podem decorrer da forte presença de agricultores itinerantes no local, e cujo sistema de produção se caracteriza por um modelo meramente extrativista baseado em atividades e técnicas agrícolas rudimentares e incoerentes à conservação do solo, as demais classes estudadas não sofreram alterações significativas. O grande número de áreas não observadas pode ter influenciado nos resultados, portanto faz-se necessário um estudo de campo com as comunidades do município.

O presente estudo objetivou a classificação de tipologias florestais por meio de redes neurais artificiais utilizando dados provenientes de um inventário florestal, fornecido pelo Instituto de Desenvolvimento Florestal e da Biodiversidade do Estado do Pará (IDEFLOR-BIO), e das bandas 3, 4 e 5 do TM do satélite Landsat 5. As informações provenientes das imagens de satélite foram extraídas por meio do aplicativo QGIS 2.8.1 Wien e utilizadas no banco de dados para o treinamento das redes neurais pertencentes às ferramentas do software MATLAB^(r) R2011b. Foram treinadas redes neurais como classificadores de dois tipos florestais: Floresta Ombrófila Densa de Terras baixas Dossel emergente (Dbe) e Floresta Ombrófila Densa Terras baixas Dossel emergente mais Aberta com palmeiras (Dbe + Abp) no conjunto de glebas estaduais Mamuru-Arapiuns, Pará, e avaliadas usando os indicadores matriz de confusão, cálculo de acurácia global, coeficiente Kappa e o gráfico de características do receptor operacional (ROC). O melhor resultado de classificação foi obtido por meio da rede neural probabilística de função de base radial (RBF) "newpnn", com uma acurácia global de 88%, e coeficiente Kappa de 76%, sendo avaliado como um classificador muito bom, evidenciando a aplicação dessa metodologia na análise de áreas com potencial para prestar serviços ecossistêmicos e, principalmente, na prestação de serviços ambientais em áreas antrópicas que adotam sistema de produção agropecuária com baixa emissão de carbono na Amazônia.