Causal inference may help us to understand the underlying mechanisms and the risk factors of diseases. In Genetics, it is crucial to understand how the connectivity among variables is influenced by genetic and environmental factors. Family data have proven to be useful in elucidating genetic and environmental influences, however, few existing approaches are able of addressing structure learning of probabilistic graphical models (PGMs) and family data analysis jointly. We propose methodologies for learning, from observational Gaussian family data, the most likely PGM and its decomposition into genetic and environmental components. They were evaluated by a simulation study and applied to the Genetic Analysis Workshop 13 simulated data, which mimic the real Framingham Heart Study data, and to the metabolic syndrome phenotypes from the Baependi Heart Study. In neuroscience, one challenge consists in identifying interactions between functional brain networks (FBNs) - graphs. We propose a method to identify Granger causality among FBNs. We show the statistical power of the proposed method by simulations and its usefulness by two applications: the identification of Granger causality between the FBNs of two musicians playing a violin duo, and the identification of a differential connectivity from the right to the left brain hemispheres of autistic subjects. / Inferência causal pode nos ajudar a compreender melhor as relações de dependência direta entre variáveis e, assim, a identificar fatores de riscos de doenças. Em Genética, a análise de dados agrupados em famílias permite investigar influências genéticas e ambientais nas relações entre as variáveis. Neste trabalho, nós propomos métodos para aprender, a partir de dados Gaussianos agrupados em famílias, o mais provável modelo gráfico probabilístico (dirigido ou não dirigido) e também sua decomposição em dois componentes: genético e ambiental. Os métodos foram avaliados por simulações e aplicados tanto aos dados simulados do Genetic Analysis Workshop 13, que imitam características dos dados do Framingham Heart Study, como aos dados da síndrome metabólica do estudo Corações de Baependi. Em Neurociência, um desafio consiste em identificar interações entre redes funcionais cerebrais - grafos. Nós propomos um método que identifica causalidade de Granger entre grafos e, por meio de simulações, mostramos que o método tem alto poder estatístico. Além disso, mostramos sua utilidade por meio de duas aplicações: 1) identificação de causalidade de Granger entre as redes cerebrais de dois músicos enquanto tocam um dueto de violino e 2) identificação de conectividade diferencial do hemisfério cerebral direito para o esquerdo em indivíduos autistas.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2016-12-29T17:50:30Z No. of bitstreams: 1 AlineAmabileViolBarbosa_TESE.pdf: 6434010 bytes, checksum: e3a07408423ecca8798dc99b1a3c1f71 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-01-02T20:15:57Z (GMT) No. of bitstreams: 1 AlineAmabileViolBarbosa_TESE.pdf: 6434010 bytes, checksum: e3a07408423ecca8798dc99b1a3c1f71 (MD5) / Made available in DSpace on 2017-01-02T20:15:57Z (GMT). No. of bitstreams: 1 AlineAmabileViolBarbosa_TESE.pdf: 6434010 bytes, checksum: e3a07408423ecca8798dc99b1a3c1f71 (MD5) Previous issue date: 2015-09-18 / Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico (CNPq) / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior (CAPES) / O recente desenvolvimento do poder de processamento computacional vem trazendo para dentro do escopo da f?sica e outras ci?ncia exatas desafios at? ent?o considerados exclusivos de ci?ncias qualitativas. M?todos e conceitos da F?sica t?m contribu?do para avan?os em diversas ?reas, dentre elas neuroci?ncia. Vimos na presente tese de doutorado estudar o comportamento do c?rebro humano em estado alterado de consci?ncia, a partir de mapas funcionais gerados por resson?ncia magn?tica funcional (fMRI, {\it functional Magnetic Ressonance}) usando ferramentas da f?sica estat?stica e da teoria de redes complexas. Analisamos dados de fMRI do c?rebro de sujeitos em estado de repouso em duas condi??es distintas: em estado natural e em estado alterado de consci?ncia pela ingest?o de uma infus?o psicoativa, proveniente da cultura ind?gena amaz?nica, chamada Ayahuasca. Em linhas gerais fomos guiados por duas perguntas. O Ayahuasca causa diferen?as nas redes funcionais do c?rebro? Como quantificar essas diferen?as? Inicialmente constru?mos redes complexas usando os dados de fMRI para mapear informa??es das redes funcionais do c?rebro de cada sujeito em ambas condi??es. A seguir analisamos as propriedades estat?sticas e topol?gicas dessas redes. Comparando as redes geradas a partir dos dados adquiridos antes e depois da ingest?o do Ayahuasca, detectamos duas mudan?as importantes nas propriedades estat?sticas e topol?gicas. Encontramos primeiramente um aumento na entropia de Shannon da distribui??o de grau. Encontramos tamb?m uma segunda mudan?a importante: Uma varia??o na topologia que interfere nas efici?ncias das redes referentes ao estado alterado. Parte das mudan?as nas efici?ncias de rede v?o al?m do que pode ser explicado exclusivamente pelo aumento de entropia. Interpretamos e discutimos esses dois resultados no contexto de neuroci?ncia. Comentamos tamb?m sobre a como a quantifica??o de informa??es das redes funcionais pode ser melhorar nossa compreens?o do funcionamento do c?rebro humano e, consequentemente, contribuir para o desenvolvimento de novas metodologias em diagn?stico e tratamento de dist?rbios psiqui?tricos ainda pouco compreendidos. / An important problem in nonlinear dynamics and statistical physics relates to the quantitative description of the behavior of complex systems. The human brain is one such system. Methods and concepts used in physics have contributed to the development of diverse fields, including neuroscience. In this thesis, we investigate the behavior of the human brain in altered states of consciousness. We study the functional maps of the brain generated by functional magnetic resonance imaging (fMRI), using the tools of statistical physics and the theory of complex networks. We analyze resting state fMRI data of the brains of 9 human subjects under two distinct conditions: under normal waking state and in an altered state of consciousness, induced by ingestion of the psychoactive infusion known as Ayahuasca, of Amazonian indigenous origin. Our study was broadly motivated by two questions: Does Ayahuasca affect the functional brain networks? How can we quantify these effects? We initially constructed complex network models of the brain using the fMRI data, before and after ingestion of Ayahuasca. We next analyzed the statistical and topological properties of these networks. Comparing the networks generated from the data before and after Ayahuasca ingestion, we find some significant changes which we highlight: an increase in the Shannon entropy, a increase in the mean geodesic distance and changes in network efficiencies. The increase in mean distance indicates a global expansion of the brain networks. This suggests a decrease in global integration of brain regions. Moreover, the increase in the entropy of the degree distribution suggests an increase in the range of possibilities of functional patterns. The change in the network efficiencies goes beyond what can be accounted for by the changes in degree distribution. We discuss and present potential interpretations of our results in the context of neuroscience.