1 |
Desenvolvimento e uso do corazon: ferramenta para normalização e agrupamento de dados de expressão gênicaRamos, Thaís de Almeida Ratis 11 May 2018 (has links)
Submitted by Automação e Estatística (sst@bczm.ufrn.br) on 2018-07-03T15:32:36Z
No. of bitstreams: 1
ThaisDeAlmeidaRatisRamos_DISSERT.pdf: 5907109 bytes, checksum: 89a190289f7aa32aedb29f2dff662907 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-07-11T13:58:20Z (GMT) No. of bitstreams: 1
ThaisDeAlmeidaRatisRamos_DISSERT.pdf: 5907109 bytes, checksum: 89a190289f7aa32aedb29f2dff662907 (MD5) / Made available in DSpace on 2018-07-11T13:58:20Z (GMT). No. of bitstreams: 1
ThaisDeAlmeidaRatisRamos_DISSERT.pdf: 5907109 bytes, checksum: 89a190289f7aa32aedb29f2dff662907 (MD5)
Previous issue date: 2018-05-11 / A criação de enciclopédias de expressão gênica possibilita a compreensão de grupos de genes
que são co-expressos em diferentes tecidos e o entendimento de grupos gênicos conforme
suas funções e origem. Devido à enorme quantidade de dados em larga escala, gerados em
projetos de transcriptômica, houve uma demanda intensa em usar técnicas fornecidas pela
inteligência artificial, que tornou-se amplamente utilizada na bioinformática. A aprendizagem
não supervisionada é a tarefa de aprendizagem de máquina que analisa os dados fornecidos e
determina os objetos que podem ser agrupados. Foi construída uma ferramenta amigável
chamada CORAZON (Correlation Analyses Zipper Online), que implementa 3 algoritmos de
aprendizagem de máquina não supervisionada (mean shift, k-means e hierárquico), 6
metodologias de normalização (Fragments Per Kilobase Million (FPKM), Transcripts Per
Million (TPM), Counts Per Million (CPM), log base-2, normalização pela soma dos valores
da instância e normalização pelo maior valor de atributo para cada instância) e uma estratégia
para observar a influência dos atributos, para agrupamento de dados de expressão gênica. Os
desempenhos dos algoritmos foram avaliados através de 5 modelos comumente usados para
validar metodologias de agrupamento, cada um composto por 50 conjuntos de dados gerados
aleatoriamente. Os algoritmos apresentaram acurácia variando entre 92-100%. Em seguida, a
ferramenta foi aplicada para agrupar tecidos, obter conhecimentos evolutivos e funcionais dos
genes, com base no enriquecimento de processos biológicos, e associar com fatores de
transcrição. Para selecionar o melhor número de clusters para o k-means e o hierárquico,
foram utilizados o critério de informação bayesiana (BIC), seguido da derivada da função
discreta e a Silhueta. No hierárquico foi adotado o método do Ward. No total, 3 bases de
dados (Uhlen, Encode e Fantom) foram analisadas e, em relação aos tecidos, foram
observados grupos relacionados a glândulas, tecidos cardíacos, musculares, relacionados ao
sistema reprodutivo e grupos com um único tecido, como testículo, cérebro e medula óssea.
Em relação aos grupos de genes, foram obtidos vários grupos com especificidades em suas
funções: detecção de estímulos envolvidos na percepção sensorial, reprodução, sinalização
sináptica, sistema nervoso, sistema imunológico, desenvolvimento de sistemas e metabólicos.
Também foi observado que geralmente grupos com mais de 80% de genes não codificantes,
mais de 40% dos seus genes codificantes são recentes, originados em Mammalia e a minoria é
do clado Eukaryota. Por outro lado, grupos com mais de 90% de genes codificantes, mais de
40% deles apareceram em Eukaryota e a minoria em Mammalia. Estes resultados mostram o
potencial dos métodos do CORAZON, que podem ajudar na análise de grande quantidade de
dados genômicos, possibilitando associações dos processos biológicos com RNAs não
codificantes e codificantes agrupados juntos, bem como a possibilidade do estudo da história
evolutiva. CORAZON está disponível gratuitamente em http://biodados.icb.ufmg.br/corazon
ou http://corazon.integrativebioinformatics.me. / The creation of gene expression encyclopedias possibilities the understanding of gene groups
that are co-expressed in different tissues and comprehend gene clusters according to their
functions and origin. Due to the huge amount of data generated in large-scale transcriptomics
projects, an intense demand to use techniques provided by artificial intelligence became
widely used in bioinformatics. Unsupervised learning is the machine learning task that
analyzes the data provided and tries to determine if some objects can be grouped in some way,
forming clusters. We developed an online tool called CORAZON (Correlation Analyses
Zipper Online), which implements three unsupervised machine learning algorithms (mean
shift, k-means and hierarchical) to cluster gene expression datasets, six normalization
methodologies (Fragments Per Kilobase Million (FPKM), Transcripts Per Million (TPM),
Counts per million (CPM), base-2 log, normalization by the sum of the instance's values and
normalization by the highest attribute value for each instance), and a strategy to observe the
attributes influence, all in a friendly environment. The algorithms performances were
evaluated through five models commonly used to validate clustering methodologies, each one
composed by fifty randomly generated datasets. The algorithms presented accuracies ranging
between 92-100%. Next, we applied our tool to cluster tissues, obtain gene’s evolutionarily
knowledgement and functional insights, based on the Gene Ontology enrichment, and connect
with transcription factors. To select the best number of clusters for k-means and hierarchical
algorithms we used Bayesian information criterion (BIC), followed by the derivative of the
discrete function and Silhouette. In the hierarchical, we adopted the Ward’s method. In total,
we analyzed three databases (Uhlen, Encode and Fantom) and in relation to tissues we can
observe groups related to glands, cardiac tissues, muscular tissues, tissues related to the
reproductive system and in all three groups are observed with a single tissue, such as testis,
brain and bone-narrow. In relation to the genes clusters, we obtained several clusters that have
specificities in their functions: detection of stimulus involved in sensory perception,
reproduction, synaptic signaling, nervous system, immunological system, system
development, and metabolics. We also observed that clusters with more than 80% of noncodings,
more than 40% of their coding genes are recents appearing in mammalian class and
the minority are from eukaryota class. Otherwise, clusters with more than 90% of coding
genes, have more than 40% of them appeared in eukaryota and the minority from mammalian.
These results illustrate the potential of the methods in CORAZON tool, which can help in the
large quantities analysis of genomic data, possibiliting the potential associations analyzes
between non-coding RNAs and the biological processes of clustered together coding genes, as
well as the possibility of evolutionary history study. CORAZON is freely available at
http://biodados.icb.ufmg.br/corazon or http://corazon.integrativebioinformatics.me.
|
2 |
Integração de dados e desenvolvimento de métricas escalável para análise de fatores de transcriçãoSilva, Lucas Felipe da 28 March 2018 (has links)
Submitted by Automação e Estatística (sst@bczm.ufrn.br) on 2018-06-05T23:36:23Z
No. of bitstreams: 1
LucasFelipeDaSilva_DISSERT.pdf: 4203807 bytes, checksum: 59254c7da7bb001ede119f8bf4166d48 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-06-13T22:36:09Z (GMT) No. of bitstreams: 1
LucasFelipeDaSilva_DISSERT.pdf: 4203807 bytes, checksum: 59254c7da7bb001ede119f8bf4166d48 (MD5) / Made available in DSpace on 2018-06-13T22:36:09Z (GMT). No. of bitstreams: 1
LucasFelipeDaSilva_DISSERT.pdf: 4203807 bytes, checksum: 59254c7da7bb001ede119f8bf4166d48 (MD5)
Previous issue date: 2018-03-28 / Atualmente há diversas ferramentas propostas para análise de Fatores de Transcrição (TF), tais
como TFCheckpoint, JASPAR, SSTAR, GTRD, Enrichr. No entanto, nenhuma dessas ferramentas
oferece uma experiência completa, em que se possa avaliar a confiabilidade do TF, ou seja, se de
fato uma proteína analisada é um TF e a sua associação com o gene alvo. Ao longo do tempo, foram
construídas inúmeras bases de dados, todas elas com riquíssimas informações, porém a
complexidade intrínseca do dado, o volume de informações, problemas de nomenclatura dos genes e
diversos outros fatores fizeram com que tais ferramentas não oferecessem um espectro completo da
análise. Por outro lado, para se trabalhar com um grande volume de dados, se requer conhecimentos
avançados de computação. Entretanto, o grande público interessado em analisar esses dados são os
profissionais procedentes das áreas biológicas, configurando-se como uma barreira, uma vez que a
formação acadêmica desta área não oferece em seus componentes curriculares disciplinas de
programação. Diante desta situação, este trabalho tem como objetivo criar uma ferramenta web
destinada exclusivamente para análise dos TFs. Desse modo, foi idealizado e desenvolvido o
Transcription Factor Analysis Tools (TFAT), contendo a integração de diferentes bases de dados e
um conjunto de scripts para manipular estas informações, juntamente com os parâmetros cruciais
definidos pelo usuário em sua análise. O cerne desta ferramenta é a análise para identificar os TFs
chaves na modularização da transcrição gênica, ou seja, o enriquecimento dos TFs reguladores de
uma lista de genes submetida pelo usuário, que através dos componentes da ferramenta, consulta
sua base de dados, identificam os TFs que estão associados aos genes da lista e calcula o p-valor de
enriquecimento. Além disso, a ferramenta verifica a confiabilidade do TF, disponibiliza as predições
realizadas e converte os itens de uma lista para o GeneID ou Symbol do Entrez Gene. Outro recurso
presente neste trabalho é a utilização da confiabilidade do TF aplicado em toda a ferramenta. Esse
grau de confiabilidade leva em consideração evidências de diferentes bases de dados, experimentos,
predições e outras características dos TFs. Este recurso de confiabilidade possui um modo padrão e
um modo com parâmetros definidos pelo próprio usuário, que permite toda uma personalização por
meio de filtros nas consultas e controle de análise para o usuário final. / Currently there are several tools proposed for analysis of Transcription Factors (TF), such as
TFCheckpoint, JASPAR, SSTAR, GTRD, Enrichr. However, none of these tools offer a complete
experience in assessing the reliability of TF, checking if an analyzed protein is a TF and its association
with the target gene. Over time, numerous databases were built, all of them with rich information, but
the intrinsic complexity of the data, the volume of information, problems of nomenclature of the genes
and several other factors led these tools to do not offer a complete spectrum of analyses. On the other
hand, working with a large volume of data requires advanced computer skills. However, the general
public interested in analyzing these data are professionals from the biological areas, forming a barrier
since the academic formation of this area does not offer in its curricular components programming
disciplines. From this situation, this work aims to create a web tool exclusively for the analysis of TFs.
In this way, the Transcription Factor Analysis Tools (TFAT) was conceived and developed, containing
the integration of different databases and a set of scripts to manipulate this information, along with the
crucial parameters defined by the user in the analysis. The core of this tool is the analysis to identify
the key TFs in the modulation of gene transcription, namely the enrichment of the regulatory TFs of a
user-submitted gene list, which through the components of the tool, consults its database, identifies
the TFs that are associated with those genes and computes the p-value of enrichment. In addition, the
tool verifies TF reliability, makes available predictions, and converts items from a list to the Entrez
Gene's GeneID or Symbol. Another feature of this work is the use of TF reliability applied throughout
the tool. This degree of reliability takes into account evidences from different databases, experiments,
predictions and other characteristics of TFs. This reliability feature has a standard mode and a userdefined
parameter mode, which allows full customization through filters in the queries and analysis
control for the end user.
|
3 |
Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplânctonCordeiro, Elionai Moura 22 March 2018 (has links)
Submitted by Automação e Estatística (sst@bczm.ufrn.br) on 2018-07-03T13:51:51Z
No. of bitstreams: 1
ElionaiMouraCordeiro_DISSERT.pdf: 5123400 bytes, checksum: 64cad460a8333cb5f9cc23b82a4e1c1d (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-07-10T14:53:20Z (GMT) No. of bitstreams: 1
ElionaiMouraCordeiro_DISSERT.pdf: 5123400 bytes, checksum: 64cad460a8333cb5f9cc23b82a4e1c1d (MD5) / Made available in DSpace on 2018-07-10T14:53:20Z (GMT). No. of bitstreams: 1
ElionaiMouraCordeiro_DISSERT.pdf: 5123400 bytes, checksum: 64cad460a8333cb5f9cc23b82a4e1c1d (MD5)
Previous issue date: 2018-03-22 / Neste trabalho é apresentada a proposta de desenvolvimento de uma metodologia - juntamente
com a apresentação dos resultados de sua aplicação - que utiliza uma técnica de
aprendizagem de máquina, SVM, para análise automatizada de dados de citometria de
fluxo em amostras de ambientes aquáticos, na identificação de bacterioplâncton. As amostras
utilizadas na execução desta metodologia foram coletadas em 19 lagos de montanhas
de elevada altitude que foram classificados manualmente no Laboratório de Limnologia
do Departamento de Oceanografia e Limnologia da UFRN. Previamente, iniciou-se com
alguns testes de configuração da função kernel e uma análise quantitativa com base no
número médio de acertos na classificação automatizada, na qual percebeu-se que a taxa
de erro de predição variou entre 1,86% e 3,35%, em média. Foram realizadas duas etapas
de desenvolvimento da metodologia proposta, onde foram criados modelos de predição
e realizados uma série de testes com as bases de dados criadas a partir das informações
disponíveis. Os resultados obtidos foram expostos a uma série de análises quantitativas
e qualitativas, inclusive utilizando PCA para entender a importância de cada variável
nos conjuntos de dados das mostras. Para uma avaliação qualitativa da metodologia
proposta, foi aplicada uma análise estatística para comparar ambas estratégias de modelos
de predição, que tem por base a classificação final apontada pelo algoritmo de Support
Vector Machine. / This master tesis shows the proposal to develop a methodology - together with the
presentation of the results of its application - that uses a machine learning technique,
SVM, for automated analysis of flow cytometry data in samples of aquatic environments,
identification of bacterioplankton. The samples used in the execution of this methodology
were collected in 19 high altitude mountain lakes that were manually classified in the
Laboratory of Limnology of the Department of Oceanography and Limnology of UFRN.
Previously, it started with some tests of kernel configuration and a quantitative analysis
based on the average number of hits in the automated classification, in which it was noticed
that the prediction error rate varied between 1.86 % and 3, 35 % on average. Two stages
of development of the proposed methodology were carried out, where prediction models
were created and a series of tests were carried out with the databases created from the
available information. The results were exposed to a series of quantitative and qualitative
analyzes, including using PCA to understand the importance of each variable in the sample
data sets. For a qualitative evaluation of the proposed methodology, a statistical analysis
was applied to compare both strategies of prediction models, which is based on the final
classification indicated by the algorithm of Support Vector Machine.
|
Page generated in 0.0149 seconds