During the past 30-years, Biochemical System Theory (BST) has been provided a concrete foundation for the study of the dynamic biological systems, e.g. S-systems models for reverse engineering of metabolic networks (Savageau, 1969; Savageau, 1970; Voit, 2000). One of the remarkable characteristics of these models is its parameters not only quantify the interactions between the components of the network, but also elucidate the networks topology. Automatic procedures for S-system parameterization from biological time series have been developed by many researches, where they assume a noise-free time series and a true estimated first derivative in their methodologies (Chou, et al., 2006; Kikuchi, et al., 2003). Nevertheless, this noise-free data is not a realistic scenario of the real biological experimental world. Methods as artificial neural network (ANN), Support Vectors Machines (SVM) and Saviztsky-Golay filter were proposed to overcome the denoising time series problem with the advantage of a closed form output which allowed determining the first derivative symbolically (Almeida and Voit, 2003; Borges, et al., 2006; Borges, et al., 2004; Voit and Almeida, 2004). However, these solutions showed some problematic artifacts in its first derivative even when they are not visually apparent in the smoothed data, leaving a gap on the issue of a fully automatic method for S-system parameterization from experimental data. The algorithm presented in this work is a proposal to fill this gap up providing an unbiased robust tool for signal extraction and first derivative estimation from noisy time series. / Nos últimos 30 anos, a Teoria dos Sistemas Bioquímicos (Biochemical System Theory - BST) tem fornecido uma fundação concreta para o estudo da dinâmica de sistemas biológicos, por exemplo, Sistemas-S (S-systems) usados em engenharia reversa de vias metabólicas (Savageau, 1969; Savageau, 1970; Voit, 2000). Uma característica marcante desse tipo de modelo é que os parâmetros não só quantificam as interações entres os componentes da rede metabólica, mas também fornecem a sua topologia de regulação. Procedimentos automáticos para a parametrização dos Sistemas-S a partir de séries temporais biológicas vêm sendo desenvolvidos por vários pesquisadores, onde se assume que a série temporal e sua derivada temporal são livres de ruído. Entretando, perfis metabólicos livres de ruído não são um realistas em cenários de experimentos de biologia molecular. Técnicas como Redes Neurais Artificiais (RNA), Máquinas de Vetores de Suporte (MVP) e filtro de Saviztsky-Golay foram propostas como solução do problema de suavização dos perfis metabólicos com a vantagem da obtenção da derivada temporal simbólica (Almeida and Voit, 2003; Borges, et al., 2006; Borges, et al., 2004; Voit and Almeida, 2004). Entretanto, essas soluções apresentaram alguns artefatos problemáticos na derivada até mesmo quando nenhum problema é visualmente detectado no dado suavizado, deixando aberto um espaço vazio na questão de um método automático para a parametrização dos Sistemas-S a partir de dados experimentais. O algoritmo apresentado neste trabalho propõe preencher esse espaço com uma ferramenta robusta para a extração de sinal e de sua derivada temporal a partir de séries temporais ruidosas.
| Identifer | oai:union.ndltd.org:IBICT/oai:agregador.ibict.br.BDTD_LNCC:oai:lncc.br:29 |
| Date | 26 March 2007 |
| Creators | Marco Antônio Vilela |
| Contributors | Jonas Almeida, Marcelo Dutra Fragoso, Marcello Luiz Rodrigues de Campos, Ana Tereza Ribeiro Vasconcelos |
| Publisher | Laboratório Nacional de Computação Científica |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações do LNCC, instname:Laboratório Nacional de Computação Científica, instacron:LNCC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds