Processos de sincronização são observados em uma imensa quantidade de sistemas físicos, biológicos, químicos, tecnológicos e sociais. Tais sistemas podem ser descritos e modelados utilizando a teoria das redes complexas, de forma que o completo entendimento da emergência do comportamento coletivo nestes sistemas complexos só é alcançado por teorias que englobam a interação entre seus elementos. Nesta dissertação, estudamos a emergência de transições de fase de primeira-ordem na sincronização de osciladores acoplados através de estruturas heterogêneas e não-triviais. Utilizando teorias de campo médio, obtemos a expressão analítica do acoplamento crítico necessário para a ocorrência de sincronização explosiva em redes livre-escala. Além disso, estudamos o comportamento de tais transições na presença de atrasos temporais e verificamos que é possível elevar o grau de sincronismo dos osciladores quando a interação se dá de forma não-instantânea. Os resultados obtidos contribuem para um melhor entendimento da relação entre topologia e dinâmica em redes. / Synchronization processes are observed in many physical, biological, chemical, technological and social systems. These systems can be described and modelled through the theory of complex networks, in a way that the full comprehension of the emergence of collective behavior in these complex systems will only be achieved by theories that encompass the interaction of its elements. In this thesis, we study the emergence of first-order phase transitions in the synchronization of oscillators coupled through heterogeneous and non-trivial structures. By using mean-field theories, we obtain an analytical expression for the critical coupling necessary for the occurrence of explosive synchronization in scale-free networks. Furthermore, we study the behavior of such transitions in the presence of time delays, verifying that is possible to enhance the synchronization level of the oscillators when the interaction is non-instantaneous. The obtained results contribute for the better understanding of the interplay between topology and dynamics in networks.

O reconhecimento de autoria é uma área de pesquisa efervescente, com muitas aplicações, incluindo detecção de plágio, análise de textos históricos, reconhecimento de mensagens terroristas ou falsificação de documentos. Modelos teóricos de redes complexas já são usados para o reconhecimento de autoria, mas alguns aspectos importantes têm sido ignorados. Neste trabalho, exploramos a dinâmica de redes de co-ocorrência e a relação com as palavras que representam os nós e descobrimos que ambas são claras assinaturas de autoria. Com otimização dos descritores da topologia das redes e de algoritmos de aprendizado de máquina, foi possível obter taxas de acerto maiores que 85%, sendo atingida uma taxa de 98.75% em um caso específico, para coleções de 80 livros, cada uma compilada de 8 autores de língua inglesa com 10 livros por autor. Esta tese demonstra que existem ainda aspectos inexplorados das redes de co-ocorrência de textos, o que deve permitir avanços ainda maiores no futuro próximo. / Authorship attribution is an active research area with many applications, including detection of plagiarism, analysis of historical texts, terrorist message identification or document falsification. Theoretical models of complex networks are already used for authorship attribution, but some issues have been ignored. In this thesis, we explore the dynamics of co-occurrence networks and the role of words, and found that they are both clear signatures of authorship. Using optimized descriptors for the network topology and machine learning algorithms, it has been possible to achieve accuracy rates above 85%, with a rate of 98.75% being reached in a particular case, for collections of 80 books produced by 8 English-speaking writers with 10 books per author. It is also shown that there are still many unexplored aspects of co-occurrence networks of texts, which seems promising for near future developments.

Redes complexas são utilizadas para representar sistemas complexos, compostos de elementos que interagem uns com os outros. Uma das grandes vantagens de se empregar as redes é a possibilidade de se estudar a topologia presente nos mais diversos sistemas para obtermos informações sobre eles, entendê-los e compará-los. Devido à sua importância para a compreensão de processos intracelulares, desde início do desenvolvimento da área das redes complexas estudou-se a topologia da interação entre proteínas. Entretanto nos últimos anos com o desenvolvimento de novas técnicas de detecção o número de proteínas e interações reportadas cresceu de maneira muito acentuada; além disso, também existem alguns pontos sobre a sua topologia sobre os quais ainda não existe um consenso, como por exemplo qual a distribuição de graus desse tipo de rede. Neste trabalho estudamos as propriedades topológicas de redes de interação entre proteínas, utilizando as informações do banco de dados STRING, com ênfase no comportamento de suas medidas de centralidade e do espectro da matriz Laplaciana normalizada. Tanto a análise das medidas de centralidade e de suas correlações, quanto do espectro da matriz Laplaciana mostram que existem padrões topológicos que são conservados entre as redes dos organismos e que os mesmos também podem ser empregados para sua caracterização. Nossos resultados também mostram que as funções biológicas desempenhadas pelas proteínas podem ser identificadas pelas medidas de centralidade. Especificamente para a centralidade de autovetor, nossas análises indicam que ela está localizada nos maiores K-cores das redes consideradas. Os resultados aqui obtidos ressaltam que muitas informações relevantes podem ser extraídas da topologia das interações entre proteínas, além de indicarem a existência de possíveis estruturas conservadas; entretanto devido a incompletude dessas redes mais estudos precisam ser conduzidos para a avaliação de possíveis mudanças nos resultados aqui apresentados. / Complex networks can be used to model complex systems, composed of main elements that interact with each other. The advantage of using this approach is the possibility to study the topology of a wide range of systems so that we can get more information, understand and compare them. Due to its importance on the understanding of the intracellular biological processes, since the early beginning of the development of the complex networks field protein-protein interaction topologies have been studied. However, new techniques for the detection of proteins and their interactions have been developed recently, which has significantly increased the availability and reliability of the corresponding data over the last few years; moreover, there still are some debate about the topology of protein-protein interaction networks such as the degree distribution of this type of network. Here we will study the topological properties of protein-protein interaction networks created using the information of the STRING database focusing on centrality measures of their nodes, the correlation between them, and the normalized Laplacian matrix spectrum. Our results show the existence of topological patterns conserved between the protein interaction networks of different organisms and that both the correlation of the centrality pairs and the spectrum of the Laplacian matrix can be used for network characterization. Another study indicates that the set of centrality measures of a protein can be used to identify clusters with well defined biological functions. A more detailed look at the eigenvector centrality behavior reveals that this measure is localized on the proteins of the highest k-cores for all networks. These results highlight the importance of the topology on the study of protein-protein interactions and that more studies can lead to a better a more complete understanding of such systems.

O relacionamento entre estrutura e dinâmica em redes complexas foi considerado utilizando-se uma ampla gama de diferentes técnicas. Diversas redes reais foram estudadas em termos das correlações entre grau e atividade. A medida de atividade é definida como a proporção de visitas por vértice no regime estacionário do passeio aleatório simples. O estudo desse tipo de correlação é importante pois pode fornecer subsídios para que uma propriedade dinâmica de um vértice possa ser obtida somente analisando-se seu(s) grau(s). O conceito de acessibilidade foi abordado nesse contexto, permitindo que fossem evidenciadas diferentes correlações, em redes como a WWW, de acordo com a intensidade de acessibilidade dos vértices. Propôs-se também um novo modelo de rede baseado no crescimento do número de vértices em que novas conexões são criadas com probabilidade proporcional à atividade de cada vértice. Esse modelo pode ser entendido como uma generalização do modelo de Barabási e Albert para redes com arestas direcionadas. Utilizando-se um conjunto de diversas medidas estruturais, mostrou-se que o novo modelo apresenta, entre outros modelos tradicionais de redes, a maior compatibilidade com três redes corticais. Foi também desenvolvido um método para caracterização da distribuição de subgrafos e seus inter-relacionamentos. O principal aspecto dessa metodologia é a expansão gradual dos subgrafos, desenvolvida para que os vértices que encontram-se fora de subgrafos possam ter suas relevâncias quantificadas em termos da importância no estabelecimento das conexões entre subgrafos. Experimentos para ilustração do método foram realizados utilizando-se quatro modelos de redes e cinco redes reais, e os resultados obtidos foram relacionados aos processos dinâmicos de transporte e de espalhamento. Outro tópico aqui considerado é o dos efeitos da amostragem de redes corticais, quantificados por meio de análise multivariada e classificação, fazendo uso de um conjunto de medidas estruturais de redes. Esses efeitos também foram mensurados em termos do comportamento dinâmico das redes (sincronização e acessibilidade). Simulações dos métodos de encefalografia MEG e EEG mostraram que as redes amostradas podem apresentar características bem diferentes das da rede original, principalmente no caso de amostras pequenas. Adicionalmente, a rede integrada da bactéria Escherichia coli foi analisada, a qual incorpora (i) regulação de transcrição gênica, (ii) vias metabólicas e de sinalização e (iii) interações entre proteínas. Outliers foram identificados no relacionamento entre grau e atividade, os quais representam reguladores globais de transcrição. Além disso, verificou-se que esses outliers são genes altamente expressos em diferentes condições, apresentando, portanto, uma natureza global no controle de diversos outros genes da célula. / The relationship between structure and dynamics was addressed by employing a wide range of different approaches. First, the correlations between degree and activity were studied in various real-world networks. The activity is defined as the proportion of visits to each node in the steady-state regime of the simple random walk. This type of correlation can provide means to assess node activity only in terms of the degree. The concept of accessibility was included in this analysis, showing an intimate relationship (in networks such as the WWW) between the type of correlation and the level of accessibility observed on nodes. A new complex network model founded on growth was also proposed, with new connections being established proportionally to the current activity of each node. This model can be understood as a generalization of the Barabási-Albert model for directed networks. By using several topological measurements we showed that this new model provides, among several other traditional theoretical types of networks, the greatest compatibility with three real-world cortical networks. Additionally, we developed a novel approach considering non-overlapping subgraphs and their interrelationships and distribution through a given network. The main aspect of the methodology is a novel merging procedure developed to assess the relevance of nodes (in relation to the overall subgraph interconnectivity) lying outside subgraphs. Experiments were carried out on four types of network models and five instances of real-world networks, in order to illustrate the application of the method. Furthermore, these results were related to the properties of the transport and spreading processes. Other topic here addressed is the sampling problem in cortical networks. Effects of sampling were quantified using multivariate analysis and classifiers based on structural network measurements. Samples were also evaluated in terms of their dynamical behavior using a synchronization model and the measure of accessibility. By simulating MEG/EEG recordings it was found that sampled networks may substantially deviate from the respective original networks, mainly for small sample sizes. We also report an analysis of the integrated network of Escherichia coli, which incorporates (i) transcriptional regulatory interactions, (ii) metabolic/signaling feedback and (iii) protein-protein interactions. Network outliers, which represent global transcriptional regulators, were identified in the relationship between out-degree and activity. These outliers are highly and widely expressed across conditions, therefore supporting their global nature in controlling many genes in the cell.

Medidas de centralidades são um mecanismo importante para revelar informações vitais sobre redes complexas. No entanto, essas métricas exigem um alto custo computacional que prejudica a sua aplicação em grandes redes do mundo real. Em nosso estudo propomos e explicamos que através do uso de redes neurais artificiais podemos aplicar essas métricas em redes de tamanho arbitrário. Além disso, identificamos a melhor configuração e metodologia para otimizar a acurácia do aprendizado neural, além de apresentar uma maneira fácil de obter e gerar um número suficiente de dados de treinamento substanciais através do uso de um modelo de redes complexas que é adaptável a qualquer aplicação. Também realizamos um comparativo da técnica proposta com diferentes metodologias de aproximação de centralidade da literatura, incluindo métodos de amostragem e outros algoritmos de aprendizagem, e, testamos o modelo gerado pela rede neural em casos reais. Mostramos com os resultados obtidos em nossos experimentos que o modelo de regressão gerado pela rede neural aproxima com sucesso as métricas é uma alternativa eficiente para aplicações do mundo real. A metodologia e o modelo de aprendizagem de máquina que foi proposto usa apenas uma fração do tempo de computação necessário para os algoritmos de aproximação baseados em amostragem e é mais robusto que as técnicas de aprendizagem de máquina testadas / Centrality measures are an important analysis mechanism to uncover vital information about complex networks. However, these metrics have high computational costs that hinder their applications in large real-world networks. I propose and explain the use of artificial neural learning algorithms can render the application of such metrics in networks of arbitrary size. Moreover, I identified the best configuration and methodology for neural learning to optimize its accuracy, besides presenting an easy way to acquire and generate plentiful and meaningful training data via the use of a complex networks model that is adaptable for any application. In addition, I compared my prosed technique based on neural learning with different centrality approximation methods proposed in the literature, consisting of sampling and other artificial learning methodologies, and, I also tested the neural learning model in real case scenarios. I show in my results that the regression model generated by the neural network successfully approximates the metric values and is an effective alternative in real-world applications. The methodology and machine learning model that I propose use only a fraction of computing time with respect to other commonly applied approximation algorithms and is more robust than the other tested machine learning techniques.

Redes complexas é um campo de pesquisa científica recente e bastante ativo que estuda redes de larga escala com estruturas topológicas não triviais, tais como redes de computadores, redes de telecomunicações, redes de transporte, redes sociais e redes biológicas. Muitas destas redes são naturalmente divididas em comunidades ou módulos e, portanto, descobrir a estrutura dessas comunidades é um dos principais problemas abordados no estudo de redes complexas. Tal problema está relacionado com o campo de aprendizado de máquina, que tem como interesse projetar e desenvolver algoritmos e técnicas que permitem aos computadores aprender, ou melhorar seu desempenho através da experiência. Alguns dos problemas identificados nas técnicas tradicionais de aprendizado incluem: dificuldades em identificar formas irregulares no espaço de atributos; descobrir estruturas sobrepostas de grupos ou classes, que ocorre quando elementos pertencem a mais de um grupo ou classe; e a alta complexidade computacional de alguns modelos, que impedem sua aplicação em bases de dados maiores. Neste trabalho tratamos tais problemas através do desenvolvimento de novos modelos de aprendizado de máquina utilizando redes complexas e dinâmica espaço-temporal, com capacidade para tratar grupos e classes sobrepostas, além de fornecer graus de pertinência para cada elemento da rede com relação a cada cluster ou classe. Os modelos desenvolvidos tem desempenho similar ao de algoritmos do estado da arte, ao mesmo tempo em que apresentam ordem de complexidade computacional menor do que a maioria deles / Complex networks is a recent and active scientific research field, which concerns large scale networks with non-trivial topological structure, such as computer networks, telecommunication networks, transport networks, social networks and biological networks. Many of these networks are naturally divided into communities or modules and, therefore, uncovering their structure is one of the main problems related to complex networks study. This problem is related with the machine learning field, which is concerned with the design and development of algorithms and techniques which allow computers to learn, or increase their performance based on experience. Some of the problems identified in traditional learning techniques include: difficulties in identifying irregular forms in the attributes space; uncovering overlap structures of groups or classes, which occurs when elements belong to more than one group or class; and the high computational complexity of some models, which prevents their application in larger data bases. In this work, we deal with these problems through the development of new machine learning models using complex networks and space-temporal dynamics. The developed models have performance similar to those from some state-of-the-art algorithms, at the same time that they present lower computational complexity order than most of them

The Self-Organization Map (SOM) is an artificial neural network that was proposed as a tool for exploratory analysis in large dimensionality data sets, being used efficiently for data mining. One of the main topics of research in this area is related to data clustering applications. Several algorithms have been developed to perform clustering in data sets. However, the accuracy of these algorithms is data depending. This thesis is mainly dedicated to the investigation of the SOM from two different approaches: (i) data mining and (ii) complex networks. From the data mining point of view, we analyzed how the performance of the algorithm is related to the distribution of data properties. It was verified the accuracy of the algorithm based on the configuration of the parameters. Likewise, this thesis shows a comparative analysis between the SOM network and other clustering methods. The results revealed that in random configuration of parameters the SOM algorithm tends to improve its acuracy when the number of classes is small. It was also observed that when considering the default configurations of the adopted methods, the spectral approach usually outperformed the other clustering algorithms. Regarding the complex networks approach, we observed that the network structure has a fundamental influence of the algorithm accuracy. We evaluated the cases at short and middle learning time scales and three different datasets. Furthermore, we show how different topologies also affect the self-organization of the topographic map of SOM network. The self-organization of the network was studied through the partitioning of the map in groups or communities. It was used four topological measures to quantify the structure of the groups such as: modularity, number of elements per group, number of groups per map, size of the largest group in three network models. In small-world (SW) networks, the groups become denser as time increases. An opposite behavior is found in the assortative networks. Finally, we verified that if some perturbation is included in the system, like a rewiring in a SW network and the deactivation model, the system cannot be organized again. Our results enable a better understanding of SOM in terms of parameters and network structure. / Um Mapa Auto-organizativo (da sigla SOM, Self-organized map, em inglês) é uma rede neural artificial que foi proposta como uma ferramenta para análise exploratória em conjuntos de dados de grande dimensionalidade, sendo utilizada de forma eficiente na mineração de dados. Um dos principais tópicos de pesquisa nesta área está relacionado com as aplicações de agrupamento de dados. Vários algoritmos foram desenvolvidos para realizar agrupamento de dados, tendo cada um destes algoritmos uma acurácia específica para determinados tipos de dados. Esta tese tem por objetivo principal analisar a rede SOM a partir de duas abordagens diferentes: mineração de dados e redes complexas. Pela abordagem de mineração de dados, analisou-se como o desempenho do algoritmo está relacionado à distribuição ou características dos dados. Verificou-se a acurácia do algoritmo com base na configuração dos parâmetros. Da mesma forma, esta tese mostra uma análise comparativa entre a rede SOM e outros métodos de agrupamento. Os resultados revelaram que o uso de valores aleatórios nos parâmetros de configuração do algoritmo SOM tende a melhorar sua acurácia quando o número de classes é baixo. Observou-se também que, ao considerar as configurações padrão dos métodos adotados, a abordagem espectral usualmente superou os demais algoritmos de agrupamento. Pela abordagem de redes complexas, esta tese mostra que, se considerarmos outro tipo de topologia de rede, além do modelo regular geralmente utilizado, haverá um impacto na acurácia da rede. Esta tese mostra que o impacto na acurácia é geralmente observado em escalas de tempo de aprendizado curto e médio. Esse comportamento foi observado usando três conjuntos de dados diferentes. Além disso, esta tese mostra como diferentes topologias também afetam a auto-organização do mapa topográfico da rede SOM. A auto-organização da rede foi estudada por meio do particionamento do mapa em grupos ou comunidades. Foram utilizadas quatro medidas topológicas para quantificar a estrutura dos grupos em três modelos distintos de rede: modularidade, número de elementos por grupo, número de grupos por mapa, tamanho do maior grupo. Em redes de pequeno mundo, os grupos se tornam mais densos à medida que o tempo aumenta. Um comportamento oposto a isso é encontrado nas redes assortativas. Apesar da modularidade, tem um alto valor em ambos os casos.

O citoesqueleto é a estrutura celular mais importante em células eucariotas e é responsável por manter a forma da célula e as junções celulares, auxiliando nos movimentos celulares. Esta é composta de filamentos de Actina, Microtúbulos e filamentos intermediários. Recentemente, a análise de duas dessas estruturas tornaram-se importantes, pois é possível obter micrografias usando microscópios de alta resolução, que contém microscopia de fluorescência, em combinação com métodos complexos de aplicação de substâncias de contraste para rotulagem e posterior análises visuais. A combinação dessas técnicas, entretanto, limita-se a ser descritiva e subjetiva. Neste trabalho, são avaliadas cinco técnicas de análise de imagens, as quais são: Bag of Visual Words (BoVW), Local Binary Local (LBP), Textons baseados em Discrete Fourier Transform (TDFT), Textons baseados em Gabor Filter Banks (TGFB) e Textons baseados em Complex Networks (TCN) sobre o conjunto de dados 2D Hela e FDIG Olympus. Experimentos extensivos foram conduzidos em ambos os conjuntos de dados, e seus resultados podem servir de base para futuras pesquisas como análises do citoesqueleto em imagens de microscopia fluorescente. Neste trabalho, é apresentada uma comparação quantitativa e qualitativa dos métodos acima mencionados para entender o comportamento desses métodos e propriedades dos microfilamentos de actina (MA) e Microtúbulos (MT) em ambos os conjuntos de dados. Os resultados obtidos evidenciam que é possível classificar o conjunto de dados da FDIG Olympus com uma precisão de até 90:07% e 98:94% para 2D Hela, além de obter 86:05% e 96:84%, respectivamente, de precisão, usando teoria de redes complexas. / The cytoskeleton is the most important cellular structure in eukaryotic cells and is responsible for maintaining the shape of the cell and cellular junctions, aiding in cell movements. This is composed of filaments of Actin, Microtubules and intermediate filaments. Recently, the analysis of two of these structures has become important because it is possible to obtain micrographs using microscopes of high resolution and fluorescence technology, in combination with complex methods of application of substances of contrast for labeling and later visual analysis. The use of these techniques, however, is limited to being descriptive and subjective. In this work, we evaluate some of the most popular image analysis techniques such as Bag of Visual Words (BoVW), Local Binary Pattern (LBP), Textons based on Discrete Fourier Transform(TDFT) , Gabor Filter banks (TGFB), and approaches based on Complex Networks theory (TCN) over the famous dataset 2D Hela and FDIG Olympus. Extensive experiments were conducted on both datasets in which their results can serve as a baseline for future research with cytoskeleton classification in microscopy fluorescence images. In this work, we present the quantitative and qualitative comparison of above mentioned methods for better understand the behavior of these methods and the properties of Actin microfilaments (MA) and Microtubules (MT) on both datasets. The results showed that it is possible to classify the FDIG Olympus data set with accuracy of up to 90:07% and 98:94% for 2D Hela, in addition to reaching 86:05% and 96:84% respectively, using complex network theory.

O presente trabalho admite como pressuposto que a identidade de um campo de conhecimento pode ser percebida, também, pela análise de sua produção científica. Como objetivo geral, propôs-se mapear e construir a rede de produção científica do Campo de Políticas Públicas no período abrangido pelos anos compreendidos entre 2000 e 2011, sob a ótima de Sistemas Complexos. Definiu-se que essas redes teriam como unidades de composição os autores responsáveis pela produção identificada no período; assim, efetivou-se um levantamento por esses artigos em oito diferentes veículos de produção científica que recebem trabalhos do campo, sendo quatro encontros e quatro periódicos, selecionados, inclusive, com base na classificação Qualis da CAPES. Os encontros selecionados foram o EnAPG Encontro de Administração Pública e Governança, EnANPAD Encontro da Associação Nacional de Pós-Graduação e Pesquisa Em Administração, Encontro da ANPOCS Associação Nacional de Pós-Graduação e Pesquisa em Ciências Sociais de e Encontro da ABCP Associação Brasileira de Ciência Política, ao passo que os periódicos foram a Revista de Políticas Públicas, a Revista de Administração Pública, a Revista Brasileira de Ciências Sociais e a Lua Nova: Revista de Cultura e Política. À exceção do EnAPG, da RAP e da RPP- em que todos os artigos publicados no período foram selecionados foram adotados critérios de seleção para os artigos baseados na análise do título, resumo e palavras-chave. Para o tratamento dos dados, dois softwares foram utilizados: Microsoft Excel® e NodeXL Excel Template®; o primeiro foi usado na tabulação dos dados e elaboração do banco de dados que fundamentou a confecção das redes, viabilizada pelo segundo. Como resultados, encontrou-se que i) no período analisado o crescimento do Campo de Políticas Públicas foi evidente tanto o número de autores quanto o de artigos; ii) o campo tem se mostrado um espaço aberto a produções colaborativas, visto que os cálculos revelaram, em média, dois autores por artigo; iii) o campo ainda carece de identidade, considerando que grande parte dos autores não permanece nele, ou seja, não apresentam continuidade e periodicidade em suas pesquisas e iv) mesmo entre os autores destacados nas medidas de centralidade ou como os mais prolíficos, depreendeu-se que não têm sua formação acadêmica concentrada na área, à exceção de poucos. Ressalta-se, ainda, que os padrões encontrados acerca da dinâmica de relacionamentos podem diferir de acordo com a grande área a que estão relacionados. / This study takes the assumption that the identity of a field of knowledge can be perceived also by the analysis of their scientific production. As general goal, it was proposed to map and build the scientific production network Public Policy Field in the period covered by the years 2000 to 2011, in the optimal of Complex Systems. It was defined that these networks would have as composition units for scientific production the identified authors in the period, so a survey was accomplished by these articles in eight different vehicles that receive scientific field work, four meetings and four journals, selected, even based on the classification of Qualis CAPES. The meetings selected were EnAPG - Meeting of Public Administration and Governance, EnANPAD Meeting of National Association of Graduate Studies and Research in Administration, ANPOCS Meeting National Association of Graduate Studies and Research in Social Sciences and ABCP Meeting Brazilian Association of Political Science, while journals were Journal of Public Policy, Journal of Public Administration, Brazilian Journal of Social Sciences and New Moon: Review of Culture and Politics. Except for EnAPG, RAP and RPP that all articles published in the period were selected it was adopted a criteria selection for articles based on analysis of the title, abstract and keywords. To process the data, it were used two softwares: Microsoft Excel ® and NodeXL Excel Template®, the first was used in data tabulating and preparing the database that justified the making of networks, enabled by the second. As results, it was found that i) the growth of the Field of Public Policy was evident in the period analyzed both as the number of authors and articles, ii) the field has been an open space for collaborative productions, since the calculations revealed an average of two authors per article iii) the field still lacks identity, considering that most authors do not stay in it, or do not have continuity and regularity in their research and iv) even among the authors highlighted the measures or centrality and as the most prolific, surmised that have focused on their academic area, with the exception of a few. It should also be emphasized that the patterns found on the dynamics of relationships may differ according to the large area that they are related.

Diferentes tipos de neurônios possuem formas distintas, um fator importante para a regulação da forma é a expressão gênica. Além disso, esta característica também está relacionada com a conectividade entre as células nervosas, formando redes. Por meio delas ocorrem as dinâmicas, como por exemplo o aprendizado. Neste trabalho foi desenvolvido um arcabouço de modelagem e simulação neuronal, para analisar a integração das etapas desde a expressão gênica, passando pela geração dos neurônios até as dinâmicas, permitindo o estudo do sistema e relacionamento entre as partes. Na etapa de geração, foram utilizados diferentes padrões de expressão gênica. Por meio dos neurônios, foram criadas as redes, caracterizadas utilizando medidas de centralidade. Ademais, foram executadas as dinâmicas integra-e-dispara, que simula a comunicação entre os neurônios, e o desenvolvimento hebiano, que é uma dinâmica aplicada para simular o aprendizado. Para quantificar a influência da expressão gênica, foram utilizadas as medidas de correlação de Pearson e a informação mútua. Por meio destes testes, foi possível observar que a expressão gênica influencia todas as etapas, sendo que nelas, exceto na geração da forma neuronal, os padrões de expressão com que os neurônios foram organizados também são um fator importante. Além disso, na medida de centralidade betweenness centrality, foi possível observar a formação de caminhos, denominados caminhos do betweenness. Para descrever os caminhos, foram feitas comparações entre as redes neuronais e outras redes espaciais. Assim, foi possível observar que estes caminhos são uma característica comum em redes geográficas e estão relacionados com as comunidades da rede. / Different types of neurons have distinct shapes. An important factor for shape regulation is gene expression, which is also related to the connectivity between nervous cells, creating networks. Dynamics, such as learning, can take place in those networks. In this work we developed a framework for modeling and simulating neurons allowing an integrated analysis from gene expression to dynamics. It will allow the study of the system as a whole as well as the relationships between its parts. In the neuron generation step, we used different patterns of gene expression. The networks were created using those neurons, and several centrality measures were computed to characterize them. Moreover, the dynamic processes considered were the integrate-and-fire model, which simulates communication between neurons, and the hebbian development, which is applied to simulate learning. During every step, Pearsons correlation and mutual information between the level of expression was measured, quantifying the influence of gene expression. Through these experiments it was observed that the gene expression influences all steps, which is in all cases, except in the generation of neuronal shape, an important factor. In addition, by analyzing the betweenness centrality measure, it is possible to observe the formation of paths. To study these paths, comparisons between models and other spatial networks were performed. Thus, it was possible to observe that paths are a common feature in other geographical networks, being related to the connections between network communities.