Tecnologia da Informação aplicada a genômica para bioenergia: anotação probabilística usando inteligência artificial

• Processo: 09/53161-6
• Modalidade de apoio: Auxílio à Pesquisa - Programa BIOEN - Regular
• Vigência: 01 de fevereiro de 2010 - 31 de janeiro de 2012
• Área do conhecimento: Interdisciplinar
• Convênio/Acordo: Microsoft Research
• Pesquisador responsável: Ricardo Zorzetto Nicoliello Vêncio
• Beneficiário: Ricardo Zorzetto Nicoliello Vêncio
• Instituição Sede: Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Assunto(s): Bioenergia Cana-de-açúcar Genomas Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Anotacao | Bioenergia | Cana-De-Acucar | Genoma | Inteligencia Artificial | Transcritoma
• Publicação FAPESP: https://media.fapesp.br/bv/uploads/pdfs/World...Impact_14_34_35.pdf

Resumo

Atualmente, a abordagem filogenômica se apresenta como o paradigma disponível mais adequado para estabelecer anotações de alta qualidade. O presente projeto tem por objetivo o desenvolvimento de um ambiente de Tecnologia da Informação, destinado a automatizar a anotação de genomas completos de organismos que apresentam interesse estratégico para a área de Bioenergia. O alvo principal é o desenvolvimento de uma metodologia de Inteligência Artificial (Redes Bayesianas) seguido da construção de um sistema de software que viabilize aos biologistas a tarefa de anotação automatizada, integrando fontes de evidências quantitativas e qualitativas de forma probabilística. A anotação probabilística tem como produto final a estimativa da probabilidade de um dado gene pertencer a uma certa classe funcional, um processo ou um componente celular, ao invés de atribuições fixas simplistas sem estimativa de incerteza e sem considerar os diferentes graus/qualidade de evidência. Como objetivo tangível do presente projeto, o transcritoma da cana-de-açúcar será anotado, bem como a porção do genoma que estiver disponível aos membros do consórcio BION-FAPESP. (AU)

Publicações científicas

(5)

(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)

SILVA, RICARDO R.; JOURDAN, FABIEN; SALVANHA, DIEGO M.; LETISSE, FABIEN; JAMIN, EMILIEN L.; GUIDETTI-GONZALEZ, SIMONE; LABATE, CARLOS A.; VENCIO, RICARDO Z. N.. ProbMetab: an R package for Bayesian probabilistic annotation of LC-MS-based metabolomics. Bioinformatics, v. 30, n. 9, p. 1336-1337, MAY 1 2014. (09/53161-6)

ALMEIDA-E-SILVA, DANILLO C.; VENCIO, RICARDO Z. N.. SIFTER-T: A scalable and optimized framework for the SIFTER phylogenomic method of probabilistic protein domain annotation. BIOTECHNIQUES, v. 58, n. 3, p. 140-142, MAR 2015. (09/53161-6)

ABRAHAM, KURUVILLA JOSEPH; DIAZ, CLARA. Identifying large sets of unrelated individuals and unrelated markers. SOURCE CODE FOR BIOLOGY AND MEDICINE, v. 9, n. 1, p. 8-pg., 2014-12-01. (09/53161-6)

JIANG, YUXIANG; ORON, TAL RONNEN; CLARK, WYATT T.; BANKAPUR, ASMA R.; D'ANDREA, DANIEL; LEPORE, ROSALBA; FUNK, CHRISTOPHER S.; KAHANDA, INDIKA; VERSPOOR, KARIN M.; BEN-HUR, ASA; et al. An expanded evaluation of protein function prediction methods shows an improvement in accuracy. GENOME BIOLOGY, v. 17, p. 19-pg., 2016-09-07. (09/53161-6)

JIANG, YUXIANG; ORON, TAL RONNEN; CLARK, WYATT T.; BANKAPUR, ASMA R.; D'ANDREA, DANIEL; LEPORE, ROSALBA; FUNK, CHRISTOPHER S.; KAHANDA, INDIKA; VERSPOOR, KARIN M.; BEN-HUR, ASA; et al. An expanded evaluation of protein function prediction methods shows an improvement in accuracy. Genome Biology, v. 17, SEP 7 2016. (09/53161-6)