Classificação hierárquica de elementos transponíveis utilizando aprendizado de máquina

• Processo: 15/14300-1
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de março de 2016
• Data de Término da vigência: 28 de fevereiro de 2018
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Ricardo Cerri
• Beneficiário: Ricardo Cerri
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Pesquisadores associados: André Carlos Ponce de Leon Ferreira de Carvalho ; Carlos Norberto Fischer ; Márcio Porto Basgalupp
• Auxílio(s) vinculado(s): 16/50457-5 - Multi-objective evolutionary methods for hierarchical and multi-label classification, AP.R SPRINT
• Assunto(s): Biologia computacional Inteligência artificial Redes neurais (computação) Algoritmos genéticos Elementos de DNA transponíveis Genomas Classificação hierárquica
• Palavra(s)-Chave do Pesquisador: Algoritmos Geneticos | Aprendizado de Máquina | bioinformática | Classificação Hierárquica | Elementos transponíveis | Redes neurais | Inteligência Artificial

Resumo

Elementos Transponíveis (TEs) são sequências de DNA que podem se mover de um local para outro dentro do genoma de uma célula. Eles contribuem para a diversidade genética das espécies, e seus mecanismos de transposição podem afetar a funcionalidade dos genes. A correta identificação e classificação de TEs é útil para a compreensão de seus efeitos no processo evolutivo dos genomas. Os TEs são organizados em uma taxonomia hierárquica, com famílias e superfamílias. Geralmente, a identificação e classificação de TEs é realizada por meio de ferramentas de Bioinformática que utilizam homologia, comparando uma sequência com várias sequências de um conjunto de dados com TEs já identificados. Esse método apresenta limitações, pois a homologia entre sequências ignora as propriedades bioquímicas das mesmas, e também os relacionamentos hierárquicos entre as diferentes famílias e superfamílias de TEs. Assim, neste projeto, serão investigados e propostos diferentes métodos de classificação hierárquica de TEs utilizando Aprendizado de Máquina (AM). Inicialmente, diferentes conjuntos de dados serão construídos com sequências de nucleotídeos e de aminoácidos já com TEs previamente identificados. Para a construção desses conjuntos de dados, serão utilizadas ferramentas de Bioinformática desenvolvidas para extrair características bioquímicas de sequências, e também diferentes estratégias para conversão de sequências em valores de atributos adequados para a utilização em técnicas de AM. Os conjuntos de dados serão, então, estruturados hierarquicamente, de acordo com as famílias e superfamílias de TEs a que pertencem. Os métodos de classificação propostos serão comparados com métodos existentes na literatura, e avaliados por meio de medidas de avaliação específicas para problemas de classificação hierárquica. (AU)

Publicações científicas

(12)

(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)

CERRI, RICARDO; BARROS, RODRIGO C.; DE CARVALHO, ANDRE C. P. L. F.; JIN, YAOCHU. Reduction strategies for hierarchical multi-label classification in protein function prediction. BMC Bioinformatics, v. 17, SEP 15 2016. (15/14300-1)

DE ABREU, IURI BONNA M.; MANTOVANI, RAFAEL G.; CERRI, RICARDO; IEEE. Incorporating Instance Correlations in Multi-label Classification via Label-Space. 2017 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2017-01-01. (15/14300-1, 12/23114-9)

COLOMBINI, GUSTAVO G.; DE ABREU, IURI BONNA M.; CERRI, RICARDO; IEEE. A Self-Organizing Map-based Method for Multi-Label Classification. 2017 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2017-01-01. (15/14300-1)

NAKANO, FELIPE KENJI; MASTELINI, SAULO MARTIELLO; BARBON, SYLVIO, JR.; CERRI, RICARDO; IEEE. Improving Hierarchical Classification of Transposable Elements using Deep Neural Networks. 2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2018-01-01. (16/12489-2, 15/14300-1, 17/19264-9)

CERRI, RICARDO; MANTOVANI, RAFAEL G.; BASGALUPP, MARCIO P.; DE CARVALHO, ANDRE C. P. L. F.; IEEE. Multi-label Feature Selection Techniques for Hierarchical Multi-label Protein Function Prediction. 2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 7-pg., 2018-01-01. (13/07375-0, 15/14300-1, 12/23114-9)

NAKANO, FELIPE KENJI; PINTO, WALTER JOSE; PAPPA, GISELE LOBO; CERRI, RICARDO; IEEE. Top-down Strategies for Hierarchical Classification of Transposable Elements with Neural Networks. 2017 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2017-01-01. (15/14300-1)

NAKANO, FELIPE KENJI; MASTELINI, SAULO MARTIELLO; BARBON, SYLVIO, JR.; CERRI, RICARDO; CHEN, X; LUO, B; LUO, F; PALADE, V; WANI, MA. Stacking Methods for Hierarchical Classification. 2017 16TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA), v. N/A, p. 8-pg., 2017-01-01. (15/14300-1, 16/12489-2)

CERRI, RICARDO; BASGALUPP, MARCIO P.; BARROS, RODRIGO C.; DE CARVALHO, ANDRE C. P. L. F.. Inducing Hierarchical Multi-label Classification rules with Genetic Algorithms. APPLIED SOFT COMPUTING, v. 77, p. 584-604, APR 2019. (16/50457-5, 15/14300-1)

SCHIETGAT, LEANDER; VENS, CELINE; CERRI, RICARDO; FISCHER, CARLOS N.; COSTA, EDUARDO; RAMON, JAN; CARARETO, CLAUDIA M. A.; BLOCKEEL, HENDRIK. A machine learning based framework to identify and classify long terminal repeat retrotransposons. PLOS COMPUTATIONAL BIOLOGY, v. 14, n. 4, APR 2018. (15/14300-1, 13/15070-4, 12/24774-2)

PEREIRA, GEAN TRINDADE; SANTOS, BRUNA ZAMITH; CERRI, RICARDO; IEEE. A Genetic Algorithm for Transposable Elements Hierarchical Classification Rule Induction. 2018 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC), v. N/A, p. 8-pg., 2018-01-01. (15/14300-1, 16/25078-0)

PEREIRA, GEAN TRINDADE; GABRIEL, PAULO. H. R.; CERRI, RICARDO; LOPEZIBANEZ, M. A Lexicographic Genetic Algorithm for Hierarchical Classification Rule Induction. PROCEEDINGS OF THE 2019 GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE (GECCO'19), v. N/A, p. 9-pg., 2019-01-01. (15/14300-1, 16/50457-5)

PEREIRA, GEAN TRINDADE; GABRIEL, PAULO H. R.; CERRI, RICARDO; OLIVEIRA, PM; NOVAIS, P; REIS, LP. Hierarchical Classification of Transposable Elements with a Weighted Genetic Algorithm. PROGRESS IN ARTIFICIAL INTELLIGENCE, EPIA 2019, PT I, v. 11804, p. 13-pg., 2019-01-01. (16/50457-5, 15/14300-1)