Proteins and RNAs are two of the most versatile macromolecules that carry out almost all functions within living organisms. In this thesis I have explored evolutionary and regulatory aspects of proteins and RNAs by studying their structures, modifications and interactions. In the first chapter of my thesis I investigate domain atrophy, a term I coined to describe large-scale deletions of core structural elements within protein domains. By looking into truncated domain boundaries across several domain families using Pfam, I was able to identify rare cases of domains that showed atrophy. Given that even point mutations can be deleterious, it is surprising that proteins can tolerate such large-scale deletions. Some of the structures of atrophied domains show novel protein-protein interaction interfaces that appear to compensate and stabilise their folds. Protein-protein interactions are largely influenced by the surface and charge complementarity, while RNA-RNA interactions are governed by base-pair complementarity; both interaction types are inherently different and these differences might be observed in their interaction networks. Based on this hypothesis I have explored the protein-protein, RNA-protein and the RNA-RNA interaction networks of yeast in the second chapter. By analysing the three networks I found no major differences in their network properties, which indicates an underlying uniformity in their interactomes despite their individual differences. In the third chapter I focus on RNA-protein interactions by investigating post-translational modifications (PTMs) in RNA-binding proteins (RBPs). By comparing occurrences of PTMs, I observe that RBPs significantly undergo more PTMs than non-RBPs. I also found that within RBPs, PTMs are more frequently targeted at regions that directly interact with RNA compared to regions that do not. Moreover disorderedness and amino acid composition were not observed to significantly influence the differential PTMs observed between RBPs and nonRBPs. The results point to a direct regulatory role of PTMs in RNA-protein interactions of RBPs. In the last chapter, I explore regulatory RNA-RNA interactions. Using differential expression data of mRNAs and lncRNAs from mouse models of hereditary hemochromatosis, I investigated competing regulatory interactions between mRNA, lncRNA and miRNA. A mutual interaction network was created from the predicted miRNA interaction sites on mRNAs and lncRNAs to identify regulatory RNAs in the disease. I also observed interesting relations between the sense-antisense mRNA-lncRNA pairs that indicate mutual regulation of expression levels through a yet unknown mechanism.

O presente trabalho aborda a cooperação regulatória internacional na área financeira a partir de uma perspectiva de direito internacional público. Destacando a crescente interdependência entre os sistemas financeiros nacionais e a consequente insuficiência de respostas regulatórias isoladas, circunscritas às fronteiras políticas dos países, examina os esforços conjuntos de governos e autoridades de regulação para a contenção do risco sistêmico internacional e a prevenção de crises financeiras. Para tanto, descreve inicialmente o processo histórico de internacionalização da atividade financeira e a formação de um consenso – especialmente após a recente crise financeira mundial – sobre a necessidade de fortalecimento da cooperação regulatória na área. Investiga, a seguir, as principais características das redes regulatórias transgovernamentais que, nas últimas décadas, têm ocupado o centro dos esforços de cooperação internacional no campo da regulação financeira, em especial o caráter subestatal dos seus principais atores, a informalidade que tem marcado as suas ações e uma crescente preocupação com a legitimidade procedimental. Na última parte, o trabalho centra a sua análise nos instrumentos e alcance da cooperação regulatória, abordando o uso de soft law na formulação de recomendações e padrões (standards) internacionais, sua absorção regulatória no ordenamento jurídico brasileiro e a reforma que vem sendo realizada na arquitetura financeira mundial como reação à crise financeira global, com suas implicações para o futuro da cooperação internacional. / This study addresses international financial regulatory cooperation in a public international law perspective. It explores the combined efforts of national governments and domestic regulatory authorities to contain international systemic risk and prevent financial crises, as national financial systems became more interdependent and internal regulatory responses – conducted within and limited to national borders – have proved to be insufficient or ineffective. Describing the historical process that culminated with the internationalization of financial activity, this study points out the international consensus that was built, after the global financial crisis, on the need of strengthening regulatory cooperation. It assesses the main characteristics of transgovernmental regulatory networks that have been in the center of international financial regulation in the past three decades, analyzing its distinctive feature of being comprised of substate actors, the consequences of networks informality to international law and its growing concern with legitimacy. Attention is also drawn to the soft law regime and international standard setting process that marks regulatory cooperation in financial matters, in special to the regulatory influence exerted by international financial standards on the Brazilian legal system, the current reform of the international financial architecture after the global crisis and its implications to the future of international regulatory cooperation.

Many diseases, such as cardiovascular diseases, cancer and diabetes, originate from several malfunctions in biological systems. The human body is regulated by a wide range of biological systems, composed of biological entities interacting in complex networks, responsible for carrying out specific functions. Some parts of the networks, such as hubs serving as master regulators, are more important for maintaining a function. To find the cause of diseases, where hubs are possible disease regulators, it is critical to know the structure of these biological systems. Such structures can be reverse engineered from high-throughput data with measured levels of biological entities. However, the complexity of biological systems makes inferring their structure a complicated task, demanding the use of computational methods, called network inference methods. Today, many network inference methods have been developed, that predicts the interactions of biological networks, with varying degree of success. In the DREAM5 challenge 35 network inference methods were evaluated on how well interactions in gene regulatory networks (GRNs) were predicted. Herein, in contrast to the DREAM5 challenge, we have evaluated network inference methods’ ability to predict hubs in GRNs. In accordance with the DREAM5 challenge, different methods performed the best on different data sets. Moreover, we discovered that network inference methods were not able to identify hubs from groups of similarly expressed genes. Also, we noticed that hubs in GRNs had a distinct expression in the data, leading to the development of a new method (the PCA method) for the prediction of hubs. Furthermore, the DREAM5 challenge showed that community predictions, combining the predictions from many network inference methods, resulted in more robust predictions of interactions. Herein, the community approach was applied on predicting hubs, with the conclusion that community predictions is the more robust approach. However, we also concluded that it was enough to combine 6-7 network inference methods to achieve robust predictions of hubs.

Nesta tese estamos especificamente interessados no problema de engenharia re- versa de redes regulatórias genéticas a partir de dados de pós-genômicos, um grande desafio na área de Bioinformática. Redes regulatórias genéticas são complexos cir- cuitos biológicos responsáveis pela regulação do nível de expressão dos genes, desem- penhando assim um papel fundamental no controle de inúmeros processos celulares, incluindo diferenciação celular, ciclo celular e metabolismo. Decifrar a estrutura destas redes é crucial para possibilitar uma maior compreensão à nível de sistema do desenvolvimento e comportamento dos organismos, e eventualmente esclarecer os mecanismos de doenças causados pela desregulação dos processos acima mencio- nados. Devido ao expressivo aumento da disponibilidade de dados experimentais de larga escala e da grande dimensão e complexidade dos sistemas biológicos, métodos computacionais têm sido ferramentas essenciais para viabilizar esta investigação. No entanto, seu desempenho ainda é bastante deteriorado por importantes desafios com- putacionais e biológicos impostos pelo cenário. Em particular, o ruído e esparsidade inerentes aos dados biológicos torna este problema de inferência de redes um difícil problema de otimização combinatória, para o qual métodos computacionais dispo- níveis falham em relação à exatidão e robustez das predições. Esta tese tem como objetivo investigar o uso de técnicas de ensemble learning como forma de superar as limitações existentes e otimizar o processo de inferência, explorando a diversidade entre um conjunto de modelos. Com este intuito, desenvolvemos métodos computa- cionais tanto para gerar redes diversificadas, como para combinar estas predições em uma solução única (solução ensemble ), e aplicamos esta abordagem a uma série de cenários com diferentes fontes de diversidade a fim de compreender o seu potencial neste contexto específico. Mostramos que as soluções propostas são competitivas com algoritmos tradicionais deste campo de pesquisa e que melhoram nossa capa- cidade de reconstruir com precisão as redes regulatórias genéticas. Os resultados obtidos para a inferência de redes de regulação transcricional e pós-transcricional, duas camadas adjacentes e complementares que compõem a rede de regulação glo- bal, tornam evidente a eficiência e robustez da nossa abordagem, encorajando a consolidação de ensemble learning como uma metodologia promissora para decifrar a estrutura de redes regulatórias genéticas. / In this thesis we are concerned about the reverse engineering of gene regulatory networks from post-genomic data, a major challenge in Bioinformatics research. Gene regulatory networks are intricate biological circuits responsible for govern- ing the expression levels (activity) of genes, thereby playing an important role in the control of many cellular processes, including cell differentiation, cell cycle and metabolism. Unveiling the structure of these networks is crucial to gain a systems- level understanding of organisms development and behavior, and eventually shed light on the mechanisms of diseases caused by the deregulation of these cellular pro- cesses. Due to the increasing availability of high-throughput experimental data and the large dimension and complexity of biological systems, computational methods have been essential tools in enabling this investigation. Nonetheless, their perfor- mance is much deteriorated by important computational and biological challenges posed by the scenario. In particular, the noisy and sparse features of biological data turn the network inference into a challenging combinatorial optimization prob- lem, to which current methods fail in respect to the accuracy and robustness of predictions. This thesis aims at investigating the use of ensemble learning tech- niques as means to overcome current limitations and enhance the inference process by exploiting the diversity among multiple inferred models. To this end, we develop computational methods both to generate diverse network predictions and to combine multiple predictions into an ensemble solution, and apply this approach to a number of scenarios with different sources of diversity in order to understand its potential in this specific context. We show that the proposed solutions are competitive with tra- ditional algorithms in the field and improve our capacity to accurately reconstruct gene regulatory networks. Results obtained for the inference of transcriptional and post-transcriptional regulatory networks, two adjacent and complementary layers of the overall gene regulatory network, evidence the efficiency and robustness of our approach, encouraging the consolidation of ensemble systems as a promising methodology to decipher the structure of gene regulatory networks.

O presente trabalho aborda a cooperação regulatória internacional na área financeira a partir de uma perspectiva de direito internacional público. Destacando a crescente interdependência entre os sistemas financeiros nacionais e a consequente insuficiência de respostas regulatórias isoladas, circunscritas às fronteiras políticas dos países, examina os esforços conjuntos de governos e autoridades de regulação para a contenção do risco sistêmico internacional e a prevenção de crises financeiras. Para tanto, descreve inicialmente o processo histórico de internacionalização da atividade financeira e a formação de um consenso – especialmente após a recente crise financeira mundial – sobre a necessidade de fortalecimento da cooperação regulatória na área. Investiga, a seguir, as principais características das redes regulatórias transgovernamentais que, nas últimas décadas, têm ocupado o centro dos esforços de cooperação internacional no campo da regulação financeira, em especial o caráter subestatal dos seus principais atores, a informalidade que tem marcado as suas ações e uma crescente preocupação com a legitimidade procedimental. Na última parte, o trabalho centra a sua análise nos instrumentos e alcance da cooperação regulatória, abordando o uso de soft law na formulação de recomendações e padrões (standards) internacionais, sua absorção regulatória no ordenamento jurídico brasileiro e a reforma que vem sendo realizada na arquitetura financeira mundial como reação à crise financeira global, com suas implicações para o futuro da cooperação internacional. / This study addresses international financial regulatory cooperation in a public international law perspective. It explores the combined efforts of national governments and domestic regulatory authorities to contain international systemic risk and prevent financial crises, as national financial systems became more interdependent and internal regulatory responses – conducted within and limited to national borders – have proved to be insufficient or ineffective. Describing the historical process that culminated with the internationalization of financial activity, this study points out the international consensus that was built, after the global financial crisis, on the need of strengthening regulatory cooperation. It assesses the main characteristics of transgovernmental regulatory networks that have been in the center of international financial regulation in the past three decades, analyzing its distinctive feature of being comprised of substate actors, the consequences of networks informality to international law and its growing concern with legitimacy. Attention is also drawn to the soft law regime and international standard setting process that marks regulatory cooperation in financial matters, in special to the regulatory influence exerted by international financial standards on the Brazilian legal system, the current reform of the international financial architecture after the global crisis and its implications to the future of international regulatory cooperation.

Nesta tese estamos especificamente interessados no problema de engenharia re- versa de redes regulatórias genéticas a partir de dados de pós-genômicos, um grande desafio na área de Bioinformática. Redes regulatórias genéticas são complexos cir- cuitos biológicos responsáveis pela regulação do nível de expressão dos genes, desem- penhando assim um papel fundamental no controle de inúmeros processos celulares, incluindo diferenciação celular, ciclo celular e metabolismo. Decifrar a estrutura destas redes é crucial para possibilitar uma maior compreensão à nível de sistema do desenvolvimento e comportamento dos organismos, e eventualmente esclarecer os mecanismos de doenças causados pela desregulação dos processos acima mencio- nados. Devido ao expressivo aumento da disponibilidade de dados experimentais de larga escala e da grande dimensão e complexidade dos sistemas biológicos, métodos computacionais têm sido ferramentas essenciais para viabilizar esta investigação. No entanto, seu desempenho ainda é bastante deteriorado por importantes desafios com- putacionais e biológicos impostos pelo cenário. Em particular, o ruído e esparsidade inerentes aos dados biológicos torna este problema de inferência de redes um difícil problema de otimização combinatória, para o qual métodos computacionais dispo- níveis falham em relação à exatidão e robustez das predições. Esta tese tem como objetivo investigar o uso de técnicas de ensemble learning como forma de superar as limitações existentes e otimizar o processo de inferência, explorando a diversidade entre um conjunto de modelos. Com este intuito, desenvolvemos métodos computa- cionais tanto para gerar redes diversificadas, como para combinar estas predições em uma solução única (solução ensemble ), e aplicamos esta abordagem a uma série de cenários com diferentes fontes de diversidade a fim de compreender o seu potencial neste contexto específico. Mostramos que as soluções propostas são competitivas com algoritmos tradicionais deste campo de pesquisa e que melhoram nossa capa- cidade de reconstruir com precisão as redes regulatórias genéticas. Os resultados obtidos para a inferência de redes de regulação transcricional e pós-transcricional, duas camadas adjacentes e complementares que compõem a rede de regulação glo- bal, tornam evidente a eficiência e robustez da nossa abordagem, encorajando a consolidação de ensemble learning como uma metodologia promissora para decifrar a estrutura de redes regulatórias genéticas. / In this thesis we are concerned about the reverse engineering of gene regulatory networks from post-genomic data, a major challenge in Bioinformatics research. Gene regulatory networks are intricate biological circuits responsible for govern- ing the expression levels (activity) of genes, thereby playing an important role in the control of many cellular processes, including cell differentiation, cell cycle and metabolism. Unveiling the structure of these networks is crucial to gain a systems- level understanding of organisms development and behavior, and eventually shed light on the mechanisms of diseases caused by the deregulation of these cellular pro- cesses. Due to the increasing availability of high-throughput experimental data and the large dimension and complexity of biological systems, computational methods have been essential tools in enabling this investigation. Nonetheless, their perfor- mance is much deteriorated by important computational and biological challenges posed by the scenario. In particular, the noisy and sparse features of biological data turn the network inference into a challenging combinatorial optimization prob- lem, to which current methods fail in respect to the accuracy and robustness of predictions. This thesis aims at investigating the use of ensemble learning tech- niques as means to overcome current limitations and enhance the inference process by exploiting the diversity among multiple inferred models. To this end, we develop computational methods both to generate diverse network predictions and to combine multiple predictions into an ensemble solution, and apply this approach to a number of scenarios with different sources of diversity in order to understand its potential in this specific context. We show that the proposed solutions are competitive with tra- ditional algorithms in the field and improve our capacity to accurately reconstruct gene regulatory networks. Results obtained for the inference of transcriptional and post-transcriptional regulatory networks, two adjacent and complementary layers of the overall gene regulatory network, evidence the efficiency and robustness of our approach, encouraging the consolidation of ensemble systems as a promising methodology to decipher the structure of gene regulatory networks.

Orientador: Fernando Jose Von Zuben / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-11T13:03:57Z (GMT). No. of bitstreams: 1 Bezerra_GeorgeBarretoPereira_M.pdf: 1423598 bytes, checksum: 5587c3941203fcdd6c2eddb7dad89a93 (MD5) Previous issue date: 2006 / Resumo: Esta dissertação trata das redes gênicas, o mecanismo de controle da ativação dos genes nas células, sob três perspectivas computacionais diferentes. Inicialmente, sob uma ótica de engenharia, é elaborada uma ferramenta de inferência de redes gênicas, capaz de reconstruir a estrutura estática dessas redes a partir de um conjunto de dados experimentais. O método proposto para essa tarefa de identificação de sistemas é especialmente projetado para conjunto de dados reduzidos, um cenário bastante comum quando se trata de dados de expressão gênica. Numa segunda etapa, é proposto um modelo computacional das redes gênicas, em que as reações bioquímicas que ocorrem na célula são vistas como equações não-lineares arranjadas numa estrutura conexionista. Desta vez, ao invés de inferir redes existentes, esse modelo é utilizado em conjunto com uma abordagem evolutiva para sintetizar redes gênicas artificiais capazes de realizar tarefas dinâmicas ¿ em específico, para solucionar um problema clássico de robótica evolutiva. Embora o modelo seja empregado como técnica de resolução de problemas, o objetivo agora é mais no sentido científico, isto é, as redes gênicas artificiais evoluídas são analisadas como modelos que podem ajudar a compreender propriedades observadas nos sistemas naturais. Finalmente, a terceira etapa consiste numa abordagem conceitual. O propósito principal é tentar compor um novo cenário para o estudo das redes gênicas, reunindo conceitos e dados empíricos de outras áreas da ciência moderna, como a neurociência e a sinergética, e investigando as implicações de uma nova ótica para o processamento de informação celular. O objetivo aqui é voltado para a compreensão dos mecanismos de processamento de informação em organismos vivos / Abstract: This dissertation deals with genetic networks, the mechanism of control of gene activity in cells, under three different computational perspectives. Initially, as an engineering approach, a computational tool for inference of genetic networks is proposed, which is able to recover the static structure of these networks from experimental datasets. This systems identification method is especially designed for small datasets, a common scenario when coping with gene expression data. In the second step, a computational model for genetic networks is proposed, in which biochemical reactions that occur inside the cell are treated as nonlinear equations in a connectionist structure. Rather than inferring networks from data, this model is used together with an evolutionary algorithm to synthesize artificial genetic networks that are able to solve dynamic tasks ¿ and in particilar, to solve a classic problem in evolutionary robotics. Although the model is used as a problem-solving technique, the objective here is primarily scientific, i.e., the evolved artificial genetic networks are viewed as an opportunity to study properties observed in natural systems. Finally, the third step comprises a conceptual approach, in which ideas from other fields of modern science, like neuroscience and synergetics, are put together to compose a new scenario to the study of the information processing in genetic networks / Mestrado / Engenharia de Computação / Mestre em Engenharia Elétrica

C. elegans est infecté par divers agents pathogènes ; bactéries, champignons et virus. Lors d'une infection fongique, C. elegans surexprime de nombreux gènes codant pour des peptides antimicrobiens (AMP). Le principal objectif de ma thèse était de construire un réseau de régulation génique intégré représentant l'induction de ces gènes AMP pendant l'infection. Pour trouver les principales composantes du réseau de régulation, via un criblage ARNi du génome entier (Zugasti et al 2016), nous avons identifié 278 clones Nipi (pour "Absence d'induction de peptides antimicrobiens après infection") qui abrogent l’induction d’AMP. En utilisant "CloneMapper" (Thakur et al. 2014), nous avons identifié 338 gènes cibles pour ces clones. Nous avons montré que les voies de MAPK sont au cœur de l'induction des AMP. Parmi les 50 gènes arbitrairement sélectionnés et surexprimant les AMP, nous en avons validé 48 en utilisant Fluidigm. Pour attribuer des fonctions aux gènes identifiés dans ces études à haut débit, nous avons développé un outil d'enrichissement fonctionnel pour la communauté C.elegans (MS en préparation). Nous avons utilisé cet outil pour analyser les cibles du criblage ARNi sur le génome entier et sur d'autres bases de données concernant divers agents pathogènes. Nous avons fait une analyse de l'enrichissement fonctionnel des cibles ChIPseq de CEBP-1, un facteur de transcription lié à la régulation de la réponse immunitaire innée (Kim et al, Soumis). Enfin, pour mieux comprendre l'interaction entre l'hôte et le pathogène, nous avons séquencé, assemblé, annoté et analysé le génome de D. coniospora. Nous avons identifié plusieurs facteurs de virulence potentiels dans ce génome. / C. elegans is infected by diverse pathogens, including bacteria, fungi and viruses. Upon fungal infection, C. elegans up-regulates the expression of many antimicrobial peptide (AMP) genes. The main aim of my thesis was to build an integrated gene regulatory network representing the induction of these AMP genes upon infection. To find the main/backbone components of the regulatory network, through a genome-wide RNAi screen (Zugasti et al. 2016), we identified 278 Nipi (for “no induction of antimicrobial peptides after infection”) clones that abrogate AMP induction. Using “CloneMapper” (Thakur et al. 2014), we identified 338 target genes for these clones. We showed that MAPK pathways are central to the induction of AMPs. We also characterized the transcriptional changes provoked by infection using RNA-sequencing and identified more than 300 genes that are dynamically up-regulated after infection, including 13 AMPs. We validated 48 (96%) of 50 arbitrary selected up-regulated genes using Fluidigm. To assign functions to genes identified in these high-throughput studies, we developed a functional enrichment tool for C.elegans community (MS in preparation). We used this tool to analyse the genome-wide RNAi screen targets and other pathogen-related datasets. We did functional enrichment analysis of ChIPseq targets of CEBP-1, TF linked to the regulation of the innate immune response (Kim et al., submitted). Finally, to understand better the interaction between host and pathogen, we sequenced, assembled, annotated and analysed the D. coniospora genome (Lebrigand et al. 2016). We identified various potential virulence factors in the fungal genome.

Nesta tese estamos especificamente interessados no problema de engenharia re- versa de redes regulatórias genéticas a partir de dados de pós-genômicos, um grande desafio na área de Bioinformática. Redes regulatórias genéticas são complexos cir- cuitos biológicos responsáveis pela regulação do nível de expressão dos genes, desem- penhando assim um papel fundamental no controle de inúmeros processos celulares, incluindo diferenciação celular, ciclo celular e metabolismo. Decifrar a estrutura destas redes é crucial para possibilitar uma maior compreensão à nível de sistema do desenvolvimento e comportamento dos organismos, e eventualmente esclarecer os mecanismos de doenças causados pela desregulação dos processos acima mencio- nados. Devido ao expressivo aumento da disponibilidade de dados experimentais de larga escala e da grande dimensão e complexidade dos sistemas biológicos, métodos computacionais têm sido ferramentas essenciais para viabilizar esta investigação. No entanto, seu desempenho ainda é bastante deteriorado por importantes desafios com- putacionais e biológicos impostos pelo cenário. Em particular, o ruído e esparsidade inerentes aos dados biológicos torna este problema de inferência de redes um difícil problema de otimização combinatória, para o qual métodos computacionais dispo- níveis falham em relação à exatidão e robustez das predições. Esta tese tem como objetivo investigar o uso de técnicas de ensemble learning como forma de superar as limitações existentes e otimizar o processo de inferência, explorando a diversidade entre um conjunto de modelos. Com este intuito, desenvolvemos métodos computa- cionais tanto para gerar redes diversificadas, como para combinar estas predições em uma solução única (solução ensemble ), e aplicamos esta abordagem a uma série de cenários com diferentes fontes de diversidade a fim de compreender o seu potencial neste contexto específico. Mostramos que as soluções propostas são competitivas com algoritmos tradicionais deste campo de pesquisa e que melhoram nossa capa- cidade de reconstruir com precisão as redes regulatórias genéticas. Os resultados obtidos para a inferência de redes de regulação transcricional e pós-transcricional, duas camadas adjacentes e complementares que compõem a rede de regulação glo- bal, tornam evidente a eficiência e robustez da nossa abordagem, encorajando a consolidação de ensemble learning como uma metodologia promissora para decifrar a estrutura de redes regulatórias genéticas. / In this thesis we are concerned about the reverse engineering of gene regulatory networks from post-genomic data, a major challenge in Bioinformatics research. Gene regulatory networks are intricate biological circuits responsible for govern- ing the expression levels (activity) of genes, thereby playing an important role in the control of many cellular processes, including cell differentiation, cell cycle and metabolism. Unveiling the structure of these networks is crucial to gain a systems- level understanding of organisms development and behavior, and eventually shed light on the mechanisms of diseases caused by the deregulation of these cellular pro- cesses. Due to the increasing availability of high-throughput experimental data and the large dimension and complexity of biological systems, computational methods have been essential tools in enabling this investigation. Nonetheless, their perfor- mance is much deteriorated by important computational and biological challenges posed by the scenario. In particular, the noisy and sparse features of biological data turn the network inference into a challenging combinatorial optimization prob- lem, to which current methods fail in respect to the accuracy and robustness of predictions. This thesis aims at investigating the use of ensemble learning tech- niques as means to overcome current limitations and enhance the inference process by exploiting the diversity among multiple inferred models. To this end, we develop computational methods both to generate diverse network predictions and to combine multiple predictions into an ensemble solution, and apply this approach to a number of scenarios with different sources of diversity in order to understand its potential in this specific context. We show that the proposed solutions are competitive with tra- ditional algorithms in the field and improve our capacity to accurately reconstruct gene regulatory networks. Results obtained for the inference of transcriptional and post-transcriptional regulatory networks, two adjacent and complementary layers of the overall gene regulatory network, evidence the efficiency and robustness of our approach, encouraging the consolidation of ensemble systems as a promising methodology to decipher the structure of gene regulatory networks.

A análise da expressão gênica através de dados gerados em experimentos de microarrays de DNA vem possibilitando uma melhor compreensão da dinâmica e dos mecanismos envolvidos nos processos celulares ao nível molecular. O aprimoramento desta análise é crucial para o avanço do conhecimento sobre as bases moleculares das neoplasias e para a identificação de marcadores moleculares para uso em diagnóstico, desenho de novos medicamentos em terapias anti-tumorais. Este trabalho tem como objetivos o desenvolvimento de modelos de análise desses dados, propondo uma nova forma de normalização de dados provenientes de microarrays e dois modelos para a construção de redes regulatórias de expressão gênica, sendo uma baseada na conectividade dinâmica entre diversos genes ao longo do ciclo celular e a outra que resolve o problema da dimensionalidade, em que o número de experimentos de microarrays é menor que o número de genes. Apresenta-se, ainda, um pacote de ferramentas com uma interface gráfica de fácil uso contendo diversas técnicas de análise de dados já conhecidas como também as abordagens propostas neste trabalho. / The analyses of DNA microarrays gene expression data are allowing a better comprehension of the dynamics and mechanisms involved in cellular processes at the molecular level. In the cancer field, the improvement of gene expression interpretation is crucial to better understand the molecular basis of the neoplasias and to identify molecular markers to be used in diagnosis and in the design of new anti-tumoral drugs. The main goals of this work were to develop a new method to normalize DNA microarray data and two models to construct gene expression regulatory networks. One method analyses the dynamic connectivity between genes through the cell cycle and the other solves the dimensionality problem in regulatory networks, meaning that the number of experiments is lower than the number of genes. We also developed a toolbox with a user-friendly interface, displaying several established statistical methods implemented to analyze gene expression data as well as the new approaches presented in this work.