Extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/

Resumo: Nos últimos anos, a crescente automação aplicada a processos da biologia vem possibilitando a obtenção e acúmulo de dados biológicos importantes a taxas muito elevadas. A vasta implicação biológica existente nesses dados toma inviável sua análise por meios computacionais convencionais. Nesse...

ver descrição completa

Na minha lista:

Detalhes bibliográficos
Principais autores:	Costa, Welbson Siqueira., Souto, Marcílio Carlos Pereira de.
Formato:	Dissertação
Publicado em:
Assuntos:	Informática - Biologia molecular - Dissertação. Análise de agrupamentos - Expressão gênica - Regras simbólicas de agrupamento - Molecular biology. Clustering analysis. Gene expression. Symbolic rules.
Endereço do item:	https://app.bczm.ufrn.br/home/#/item/85301
Tags:	Adicionar Tag Sem tags, seja o primeiro a adicionar uma tag!

id	oai:localhost:123456789-60144
record_format	dspace
spelling	oai:localhost:123456789-601442022-11-30T03:44:10Z Extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/ Costa, Welbson Siqueira. Souto, Marcílio Carlos Pereira de. Informática - Biologia molecular - Dissertação. Análise de agrupamentos - Expressão gênica - Dissertação. Regras simbólicas de agrupamento - Dissertação. Molecular biology. Clustering analysis. Gene expression. Symbolic rules. Resumo: Nos últimos anos, a crescente automação aplicada a processos da biologia vem possibilitando a obtenção e acúmulo de dados biológicos importantes a taxas muito elevadas. A vasta implicação biológica existente nesses dados toma inviável sua análise por meios computacionais convencionais. Nesse sentido, as técnicas de Aprendizado de Máquina (AM) mostram-se bastante promissoras. Em muitos casos, deseja-se explorar os dados para adquirir algum conhecimento que está implícito. Por exemplo, os dados produzidos através de processos de análise de expressão gênica, como os dados de microarray, despertam bastante interesse nos biólogos. Um dos recursos de AM para análise desses dados pode ser a formação de grupos, através da aplicação de técnicas de agrupamento. Estudos experimentais demonstram que, em geral, esses grupos são biologicamente significativos. No entanto, na maioria das vezes, a interpretação do significado biológico dos vários grupos formados é uma tarefa bastante complexa. Assim, a análise manual, por parte de especialistas da área em questão, passa a ser necessária para a interpretação. Porém, isso pode ser uma tarefa extremamente custosa envolvendo vários desafios técnicos e científicos. Este trabalho investe, portanto, seus esforços no estudo de técnicas que facilitem a interpretação dos grupos formados por técnicas de agrupamento. Desse modo serão associadas técnicas de AM não supervisionadas (técnicas de agrupamento) com técnicas supervisionadas, técnicas que objetivam a criação de estruturas simbólicas, regras do tipo SE-ENTÃO, que sejam compreensíveis por humanos.#$&Abstract: In the last few years, the increasing automation applied to Biology processes has led to a fast accumulation of important biological data. The wide biological implication present in these data makes its analysis unsuitable via conventional computing. In this context, Machine Learning (ML) techniques have been shown very promising. In many cases, we want to explore the data to acquire some implicit knowledge. For example, the data produced by means of gene expression analysis, such as microarray data, have been drawing a lot of attention from the biologists. One of the ML techniques for analyzing these data is the clustering methods. Experimental studies have shown that, often, clusters generated via such methods are biologically meaningful. However, in general, the interpretation of the biological meaning of the clusters formed is a very complex task. Thus, the manual analysis, performed by the experts in the area, is needed for the interpretation. In fact, this can be an extremely expensive task which involves several technical and scientific challenges. Thus, this work invests its efforts in the study of techniques that make the interpretation of clusters formed by clustering techniques more straightforward. In order to do se, unsupervised ML techniques (clustering techniques) will be associated with supervised ML techniques (role generation). The goal is to generate symbolic structures, such as IF - THEN rules, which are more comprehensible for humans. 1 2022-10-05T15:07:29Z 2022-10-05T15:07:29Z 2006. Dissertação 004:577.2 C837e DISSERT 85301 https://app.bczm.ufrn.br/home/#/item/85301 https://app.bczm.ufrn.br/home/#/item/85301
institution	Acervo SISBI
collection	SIGAA
topic	Informática - Biologia molecular - Dissertação. Análise de agrupamentos - Expressão gênica - Dissertação. Regras simbólicas de agrupamento - Dissertação. Molecular biology. Clustering analysis. Gene expression. Symbolic rules.
spellingShingle	Informática - Biologia molecular - Dissertação. Análise de agrupamentos - Expressão gênica - Dissertação. Regras simbólicas de agrupamento - Dissertação. Molecular biology. Clustering analysis. Gene expression. Symbolic rules. Costa, Welbson Siqueira. Souto, Marcílio Carlos Pereira de. Extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/
description	Resumo: Nos últimos anos, a crescente automação aplicada a processos da biologia vem possibilitando a obtenção e acúmulo de dados biológicos importantes a taxas muito elevadas. A vasta implicação biológica existente nesses dados toma inviável sua análise por meios computacionais convencionais. Nesse sentido, as técnicas de Aprendizado de Máquina (AM) mostram-se bastante promissoras. Em muitos casos, deseja-se explorar os dados para adquirir algum conhecimento que está implícito. Por exemplo, os dados produzidos através de processos de análise de expressão gênica, como os dados de microarray, despertam bastante interesse nos biólogos. Um dos recursos de AM para análise desses dados pode ser a formação de grupos, através da aplicação de técnicas de agrupamento. Estudos experimentais demonstram que, em geral, esses grupos são biologicamente significativos. No entanto, na maioria das vezes, a interpretação do significado biológico dos vários grupos formados é uma tarefa bastante complexa. Assim, a análise manual, por parte de especialistas da área em questão, passa a ser necessária para a interpretação. Porém, isso pode ser uma tarefa extremamente custosa envolvendo vários desafios técnicos e científicos. Este trabalho investe, portanto, seus esforços no estudo de técnicas que facilitem a interpretação dos grupos formados por técnicas de agrupamento. Desse modo serão associadas técnicas de AM não supervisionadas (técnicas de agrupamento) com técnicas supervisionadas, técnicas que objetivam a criação de estruturas simbólicas, regras do tipo SE-ENTÃO, que sejam compreensíveis por humanos.#$&Abstract: In the last few years, the increasing automation applied to Biology processes has led to a fast accumulation of important biological data. The wide biological implication present in these data makes its analysis unsuitable via conventional computing. In this context, Machine Learning (ML) techniques have been shown very promising. In many cases, we want to explore the data to acquire some implicit knowledge. For example, the data produced by means of gene expression analysis, such as microarray data, have been drawing a lot of attention from the biologists. One of the ML techniques for analyzing these data is the clustering methods. Experimental studies have shown that, often, clusters generated via such methods are biologically meaningful. However, in general, the interpretation of the biological meaning of the clusters formed is a very complex task. Thus, the manual analysis, performed by the experts in the area, is needed for the interpretation. In fact, this can be an extremely expensive task which involves several technical and scientific challenges. Thus, this work invests its efforts in the study of techniques that make the interpretation of clusters formed by clustering techniques more straightforward. In order to do se, unsupervised ML techniques (clustering techniques) will be associated with supervised ML techniques (role generation). The goal is to generate symbolic structures, such as IF - THEN rules, which are more comprehensible for humans.
format	Dissertação
author	Costa, Welbson Siqueira. Souto, Marcílio Carlos Pereira de.
author_facet	Costa, Welbson Siqueira. Souto, Marcílio Carlos Pereira de.
author_sort	Costa, Welbson Siqueira.
title	Extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/
title_short	Extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/
title_full	Extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/
title_fullStr	Extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/
title_full_unstemmed	Extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/
title_sort	extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/
publishDate	2022
url	https://app.bczm.ufrn.br/home/#/item/85301
work_keys_str_mv	AT costawelbsonsiqueira extracaoderegrassimbolicasdeagrupamentosdedadosdeexpressaogenica AT soutomarciliocarlospereirade extracaoderegrassimbolicasdeagrupamentosdedadosdeexpressaogenica
_version_	1766819503898886144

Extraçãode regras simbólicas de agrupamentos de dados de expressão gênica/

Registros relacionados