Detecção de interações funcionais gene-gene a partir de dados observacionais de expressão gênica utilizando comitês de classificadores e Meta-aprendizagem

• Processo: 14/10852-7
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Data de Início da vigência: 01 de setembro de 2014
• Data de Término da vigência: 31 de março de 2015
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Edwin Rafael Villanueva Talavera
• Supervisor: Rainer Spang
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Regensburg, Alemanha
• Vinculado à bolsa: 12/22295-0 - Meta-aprendizado e Redes Bayesianas na Criação de Comitês de Classificação de Dados de Expressão Gênica, BP.PD
• Assunto(s): Biologia computacional
• Palavra(s)-Chave do Pesquisador: causal inference | Classification | ensemble of Classifiers | gene-gene interactions | metalearning | Bioinformática

Resumo

Predizer se um gene irá responder à intervenção de outro gene baseados somente nos seus perfis de expressão gênica observados é de grande valor em investigação médica. No entanto, esta é uma tarefa desafiadora devido à aleatoriedade dos sistemas biológicos, os níveis elevados de ruído das tecnologias de coleção de dados e às elevadas dimensionalidades envolvidas. Neste projeto propõe-se aplicar abordagens de aprendizagem de máquina para aprender as sutis diferenças em dados observacionais de expressão gênica que podem caracterizar as interações gene-gene. Especificamente, serão estudadas formas de aproveitar as potencialidades de duas abordagens promissoras: Comitês de Classificadores (EoC) e Meta-aprendizagem. EoC têm frequentemente mostrado sua superioridade em relação a abordagens de um único classificador. Meta-aprendizagem estuda como os algoritmos de aprendizado podem aumentar sua eficiência com a experiência, tendo o potencial de transformar a forma como os métodos de aprendizado de máquina são empregados. Nós acreditamos que mediante uma apropriada combinação das abordagens mencionadas poderão ser obtidos sistemas de classificação acurados que possam identificar os padrões de interações funcionais gene-gene a partir de dados observacionais de expressão gênica. (AU)