[pt] No contexto de e-learning, o desenvolvimento de material de aprendizagem é um fator de sucesso. Entretanto, estes processos são caros e demorados de modo que se procura promover o reuso de materiais e estabelecer parcerias entre instituições para compartilhar conteúdo e serviços. Assim, o uso conjunto de Objetos de Aprendizagem (LOs) e respectivos metadados tem sido amplamente adotado. Entretanto, apesar do uso de padrões de descritores para LOs tornar sua aceitação mais ampla, muitos desenvolvedores demonstram uma grande dificuldade em usar e reusar LOs. Portanto, continua a haver interesse em prover meios que promovam o reuso destes LOs e a tendência atual é que estes LOs se tornem cada vez menores, estruturados conforme uma hierarquia de nós interconectados. Algumas abordagens atuais consideram o uso de mapas de tópicos (topic maps), ontologias e bases de conhecimento para trabalhar com os conteúdos contidos nos materiais educacionais. Esta tese apresenta um modelo para estruturar e representar o conteúdo contido nos materiais educacionais a partir dos tipos de informações e de unidades conceituais envolvidas. Além da proposta de modelagem é também apresentada uma arquitetura que possibilita a implantação dos diferentes níveis semânticos de informação a serem considerados em um ambiente de e-learning. Esta arquitetura se baseia em trabalhos relacionados a integração de dados e estabelece um contexto para a utilização do modelo proposto para a representação do conteúdo educacional, contribuindo para a sua adoção. / [en] In e-learning, the development of multimedia educational content material has been a success factor. However, as these processes are expensive and timeconsuming, there is a need for making the content reuse easier and institutions are establishing partnerships in order to share content and services. In this context, Learning Objects (LO) and standard metadata have been grown in acceptance. In spite of this, several developers have found it difficult to use and reuse LOs. Then there is still a need for providing mechanisms that promote LO reuse. The current trend is on making these LO even smaller, structured according to a hierarchy of interconnected nodes. Some recent approaches are based on the use of topic maps, ontology and knowledge bases in order to work with the content that are embedded into the educational material. This thesis presents a model for structuring and representing this content according to the involved information and conceptual unities. In addition, we also present an architecture that allows the different semantic levels of information to be considered in an e-learning environment. This architecture is based on related work on data integration and it establishes a context for the proposed modeling approach for representing educational content and therefore contributes for its acceptance and use by the e-learning community.

[pt] A identificação e categorização de proteínas homólogas são tarefas fundamentais no campo da biologia, que dependem de ferramentas que analisam sequências de nucleotídeos ou aminoácidos. No entanto, a detecção automatizada de padrões evolutivos, assim como outras características, usando métodos tradicionais, ainda apresenta desafios científicos. Neste estudo, propomos uma nova abordagem de representação de dados em camadas, que permite explorar padrões evolutivos e outras características de sequências na busca por similaridades, classificação e agrupamento. Utiliza-se um processo livre de alinhamento e são propostos novos algoritmos de similaridade que permitem aprimorar a eficácia dessa abordagem. Esses algoritmos utilizam técnicas inspiradas na percepção humana para capturar similaridades dentro das representações de moléculas biológicas. Avaliações experimentais demonstram bom desempenho e alta precisão em comparação com abordagens propostas anteriormente. Essa representação em camadas se mostra promissora na identificação de proteínas similares, principalmente com características de homólogas distantes. Além disso, sugere-se também o desenvolvimento de novos métodos e algoritmos de aprendizado de máquina em bioinformática que envolvam a privacidade e segurança de dados biológicos. / [en] The identification and categorization of homologous proteins are fundamental tasks in the field of biology, relying on tools that analyze nucleotide oramino acid sequences. However, automated detection of evolutionary patternsand additional attributes using traditional methods still presents research challenges. In this study, we propose a novel layered data representation approachthat allows us to explore evolutionary patterns and other sequence features insimilarity searching, classification, and clustering. It employs an alignment-freeprocess, and we introduce new similarity algorithms to enhance the effectiveness of this approach. These algorithms leverage techniques inspired by humanperception to capture subtle similarities within biological molecules representations. Experimental evaluations demonstrate good performance and high accuracy compared to previously proposed approaches. This layered representationshows promise in identifying similar proteins, especially with distant homologscharacteristics. Furthermore, it also suggests the development of new methods and machine learning (ML) algorithms in bioinformatics that address theprivacy and security of biological data.