Active learning para classificação hierárquica de elementos transponíveis

• Processo: 17/19264-9
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 01 de novembro de 2017
• Data de Término da vigência: 30 de abril de 2018
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Ricardo Cerri
• Beneficiário: Felipe Kenji Nakano
• Supervisor: Celine Vens
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Leuven, Kulak Kortrijk (KU Leuven), Bélgica
• Vinculado à bolsa: 16/12489-2 - Deep learning para classificação hierárquica de elementos Transponníveis, BP.MS
• Assunto(s): Biologia computacional Aprendizado computacional Classificação hierárquica Aprendizagem profunda Elementos de DNA transponíveis
• Palavra(s)-Chave do Pesquisador: active learning | Aprendizado de Máquina | bio-informática | Classificação Hierárquica | Deep Learning | Elementos transponíveis | Inteligência Articial - Aprendizado de Máquina

Resumo

Elementos Transponíveis (TEs) são sequências de DNA capazes de mover dentro do genome de uma célula. Tal movimentação proporciona variabilidade genética, e mudanças nas funcionalidades de genes. Normalmente, a classificação de TEs é realizada usando ferramentas de homologia. A homologia busca encontrar sequências semelhantes através do alinhamento de sequências, entretanto, tal método ignora várias propriedades químicas e hierárquicas. Todavia, recentemente, TEs foram propostos como um problema de classificação usando Aprendizado de Máquina (ML). Mais precisamente, TEs são classificados utilizando métodos de Classificação Hierárquica (HC). Diferentemente da classificação tradicional, HC estuda problemas cujas classes são estruturadas por uma hierarquia. Tais métodos provaram ser mais eficientes e aplicáveis que a homologia, no entanto métodos de ML requerem dados rotulados. A rotulação de TEs não é uma tarefa fácil. Repbase, o repositório mais aceito academicamente, utiliza uma validação massiva e múltipla ferramentas para a classificação de TEs. Este processo é computacional e financeiramente custoso, resultando em muitas sequências não rotuladas. Como possível solução, o campo do Aprendizado Ativo (AL) oferece métodos para a utilização de dados não rotulados. Basicamente, um algoritmo de AL usa estratégias para selecionar os dados mais valiosos para rotulação. Desta maneira, o custo de rotulação dos dados é reduzido, e os classificadores são construídos com base nas instâncias mais representativas. Nesta pesquisa, planeja-se investigar algoritmos de AL para HC, especificamente, utilizando algoritmos de AL com o método estado-da-arte Clus-HMC. (AU)

Publicações científicas

(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)

NAKANO, FELIPE KENJI; CERRI, RICARDO; VENS, CELINE. Active learning for hierarchical multi-label classification. DATA MINING AND KNOWLEDGE DISCOVERY, v. 34, n. 5, SI, JUL 2020. (16/12489-2, 17/19264-9)

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)

NAKANO, FELIPE KENJI; CERRI, RICARDO; VENS, CELINE. Active learning for hierarchical multi-label classification. DATA MINING AND KNOWLEDGE DISCOVERY, v. 34, n. 5, p. 35-pg., 2020-07-17. (16/12489-2, 17/19264-9)