Busca avançada
Ano de início
Entree
Conteúdo relacionado

Aprendizado de máquina em biologia molecular de sistemas (AMBiS) aplicação em letalidade sintética, genes condicionalmente essenciais e transcrição gênica cooperativa

Processo: 13/02018-4
Modalidade de apoio:Auxílio à Pesquisa - Regular
Data de Início da vigência: 01 de abril de 2013
Data de Término da vigência: 31 de março de 2015
Área do conhecimento:Ciências Biológicas - Biofísica - Biofísica de Processos e Sistemas
Pesquisador responsável:Ney Lemke
Beneficiário:Ney Lemke
Instituição Sede: Instituto de Biociências (IBB). Universidade Estadual Paulista (UNESP). Campus de Botucatu. Botucatu , SP, Brasil
Pesquisadores associados:Jose Luiz Rybarczyk Filho
Assunto(s):Aprendizado computacional  Biologia molecular  Redes complexas  Sistemas complexos  Biologia de sistemas  Transcrição genética 
Palavra(s)-Chave do Pesquisador:biologia de sistemas | Redes Complexas | Regulação | Sistemas Complexos | transcricao | Bioinformática

Resumo

O desenvolvimento de técnicas de alta produção de dados está transformando a biologia em uma disciplina rica em dados. Neste projeto nós consideramos redes biológicas integradas que incluem interações gênicas envolvendo metabolismo regulação e interação proteína-proteína. Nós iremos desenvolver ferramentas de aprendizado de máquina que utilizarão informações topológicas integradas com dados de expressão, localização celular e organização dos genomas para extrair informações biológicas relevantes. Nesse projeto iremos utilizar ferramentas de inteligência artificial para determinar a influência de propriedades topológicas na letalidade sintética de pares de genes e a influência do meio na essencialidade de genes. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (7)
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
ZHANG, XUE; ACENCIO, MARCIO LUIS; LEMKE, NEY. Predicting Essential Genes and Proteins Based on Machine Learning and Network Topological Features: A Comprehensive Review. FRONTIERS IN PHYSIOLOGY, v. 7, . (13/02018-4)
CAMILO, ESTHER; BOVOLENTA, LUIZ A.; ACENCIO, MARCIO L.; RYBARCZYK-FILHO, JOSE L.; CASTRO, MAURO A. A.; MOREIRA, JOSE C. F.; LEMKE, NEY. GALANT: a Cytoscape plugin for visualizing data as functional landscapes projected onto biological networks. Bioinformatics, v. 29, n. 19, p. 2505-2506, . (13/02018-4, 12/00741-8, 10/20684-3, 12/13450-1)
KANDOI, GAURAV; ACENCIO, MARCIO L.; LEMKE, NEY. Prediction of Druggable Proteins Using Machine Learning and Systems Biology: A Mini-Review. FRONTIERS IN PHYSIOLOGY, v. 6, . (13/02018-4)
FERNANDES DE SOUZA, RAFAEL TOLEDO; LEWCZUK GERHARDT, GUENTHER JOHANNES; SCHOENWALD, SUZANA VEIGA; RYBARCZYK-FILHO, JOSE LUIZ; LEMKE, NEY. Synchronization and Propagation of Global Sleep Spindles. PLoS One, v. 11, n. 3, . (13/02018-4, 12/22413-2)
ACENCIO, MARCIO LUIS; BOVOLENTA, LUIZ AUGUSTO; CAMILO, ESTHER; LEMKE, NEY. Prediction of Oncogenic Interactions and Cancer-Related Signaling Networks Based on Network Topology. PLoS One, v. 8, n. 10, . (13/02018-4, 12/00741-8, 10/20684-3, 12/13450-1)
POLLO-OLIVEIRA, LETICIA; POST, HARM; ACENCIO, MARCIO LUIS; LEMKE, NEY; VAN DEN TOORN, HENK; TRAGANTE, VINICIUS; HECK, ALBERT J. R.; ALTELAAR, A. F. MAARTEN; YATSUDA, ANA PATRICIA. Unravelling the Neospora caninum secretome through the secreted fraction (ESA) and quantification of the discharged tachyzoite using high-resolution mass spectrometry-based proteomics. PARASITES & VECTORS, v. 6, . (13/02018-4, 10/20684-3, 05/53785-9)
VALENTE, GUILHERME T.; ACENCIO, MARCIO L.; MARTINS, CESAR; LEMKE, NEY. The Development of a Universal In Silico Predictor of Protein-Protein Interactions. PLoS One, v. 8, n. 5, . (13/02018-4, 09/05234-4)