Skip navigation
Please use this identifier to cite or link to this item: https://repositorio.ufpe.br/handle/123456789/1596
Title: Classificação de Proteínas usando Máquinas de Aprendizagem e Descoberta de Padrões
Authors: do Nascimento Júnior, Francisco
Keywords: Classificação; Proteína; GPCR; SVM; Padrões
Issue Date: 31-Jan-2008
Publisher: Universidade Federal de Pernambuco
Citation: do Nascimento Júnior, Francisco; Ing Ren, Tsang. Classificação de Proteínas usando Máquinas de Aprendizagem e Descoberta de Padrões. 2008. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2008.
Abstract: Máquinas de aprendizagem têm sido aplicadas em diferentes problemas em Bioinformática. Similarmente, algoritmos de descoberta de padrões também têm sido usados para descobrir motifs em seqüências de proteínas, contribuindo na definição de assinaturas (tais como impressões digitais) que caracterizam classes funcionais de proteínas. Como por exemplo, a classe de receptores acoplados a proteína-G (GPCR) que representam uma das maiores famílias no Genoma Humano. Esta família é um dos grandes alvos de pesquisa para a descoberta e desenvolvimento de novas drogas, conseqüentemente, de grande interesse para a indústria farmacêutica. O modelo proposto nesta dissertação combina máquinas de aprendizagem, como SVM (Support Vector Machine) e MLP (Multilayer Perceptron), e métodos de descoberta de padrões no desenvolvimento de um procedimento para predizer a relação entre uma seqüência primária de proteínas e sua classe funcional. Como caso de estudo, este trabalho apresenta experimentos com a superfamília GPCR, usando padrões em forma de expressões regulares desta família extraídos pelo SPEXS (Sequence Pattern EXhaustive Search), um algoritmo para descoberta de padrões
URI: https://repositorio.ufpe.br/handle/123456789/1596
Appears in Collections:Dissertações de Mestrado - Ciência da Computação

Files in This Item:
File Description SizeFormat 
fnj.pdf1.47 MBAdobe PDFView/Open


This item is protected by original copyright



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.