Utilize este link para identificar ou citar este item: http://bdm.unb.br/handle/10483/8511
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2014_JoaoVictorDeAraujoOliveira.pdf1,87 MBAdobe PDFver/abrir
Título: Identificação de snoRNAs utilizando Máquinas de Vetores de Suporte : aprimorando o snoReport
Autor(es): Oliveira, João Victor de Araujo
Orientador(es): Walter, Maria Emilia Machado Telles
Coorientador(es): Berger, Pedro de Azevedo
Assunto: Biologia computacional
Aprendizado do computador
Redes neurais (Computação)
Data de apresentação: 20-Fev-2014
Data de publicação: 30-Set-2014
Referência: OLIVEIRA, João Victor de Araujo. Identificação de snoRNAs utilizando Máquinas de Vetores de Suporte: aprimorando o snoReport. 2014. 72 f., il. Monografia (Bacharelado em Ciência da Computação)—Universidade de Brasília, Brasília, 2014.
Resumo: O estudo de RNAs não-codificadores (ncRNAs) vem se mostrando bastante desafiador devido a dificuldade de verificar experimentalmente qual função desempenha determinado gene não codificador de proteína em um organismo [20]. Métodos computacionais para a identificação de ncRNAs possuem dificuldades similares aos métodos experimentais, pois a Bioinformática não possui um método único para a identificação e classificação de ncRNAS. Em particular, métodos que utilizam Aprendizagem de Máquina tem se mostrado bastante úteis para essa tarefa. Um método computacional que vem mostrando bons resultados é o snoReport [30], que combina predição de estrutura secundária de snoRNAs com Máquina de Vetores de Suporte (SVM) para identificação de snoRNAs, uma classe específica de ncRNA que contém duas classes principais, snoRNA H/ACA box e snoRNA C/D box. Entretanto, o snoReport necessita de um refinamento pois está disponível hoje um volume bem maior de snoRNAs, alguns já testados experimentalmente. Neste contexto, este trabalho tem como objetivo aprimorar a identificação de snoRNAs usando o banco de dados disponibilizados pelo Centro de Bioinformática da Universidade de Leipzig, além das versões mais novas de programas usados no workflow do snoReport. Essas alterações levaram a índices de 30,43% de melhoria na sensibilidade do classificador de snoRNAs H/ACA box e de 24,24% de melhoria na sensibilidade do classificador snoRNA C/D box. Além disso, foi feito um estudo de caso com o fungo Paracoccidioides brasiliensis, que identificou 188 snoRNAs C/D box e 5.929 snoRNAs H/ACA Box.
Informações adicionais: Monografia (graduação)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2014.
Aparece na Coleção:Ciência da Computação



Este item está licenciado na Licença Creative Commons Creative Commons