Banca de TCC: Marlon da Silva Dias

UNIVERSIDADE FEDERAL DE PELOTAS
CENTRO DE DESENVOLVIMENTO TECNOLÓGICO
TRABALHO DE CONCLUSÃO DE CURSO

Apresentações Finais (2015/2)

Detecção de spots em imagens oriundas de géis de eletroforese bidimensional utilizando aprendizado supervisionado
por
Marlon da Silva Dias

Curso:
Ciência da Computação

Banca:
Prof. Marilton Sanchotene de Aguiar (orientador)
Prof. Paulo Roberto Ferreira Jr.
Prof. Ricardo Matsumura Araujo
Profa. Diana Francisca Adamatti (FURG)

Data: 02 de Dezembro de 2015

Hora: 16:00h

Local: Lab 4

Resumo do Trabalho: De uma forma geral, proteínas contribuem fortemente na vida e saúde, logo é preciso compreender as proteínas e como elas operam no nível celular para assim, por exemplo, entender como regular os mecanismos de doenças para um posterior tratamento. A proteômica é definida como sendo a caracterização em larga escala do conjunto de proteínas expressas em uma célula ou tecido. Ela tem como principal objetivo documentar, identificar e caracterizar proteínas, além de elucidar as suas associações e funções. Atualmente, uma das principais técnicas usadas na proteômica é a eletroforese bidimensional, a qual é baseada na separação e migração das moléculas, posicionadas em uma solução, sob influência da aplicação de um campo elétrico. Estas proteínas podem ser detectadas por uma variedade de reagentes de revelação, observando-se um perfil bidimensional de pontos. Por fim, este gel é escaneado e a imagem resultante pode ser processada. As imagens de eletroforese bidimensional normalmente contém ruídos, bem como partículas de poeira, e até mesmo rachaduras no gel, e isso pode interferir no resultado final de sua análise. Neste contexto, este trabalho explora técnicas de aprendizado de máquina no processo de reconhecimento de spots. Este trabalho tem por objetivo propor um modelo baseado em aprendizagem de máquina para o reconhecimento de spots em imagens de géis de eletroforese bidimensional. SWISS-2DPAGE é uma base de imagens já classificadas de eletroforese bidimensional, a qual possui imagens de eletroforese e informação sobre spots nessas imagens. Expandiu-se essa base para utiliza-la como base de treino para os algoritmos de aprendizado de máquina, e as imagens foram usadas para testar os algoritmos. Com base no testes realizados, árvores de decisão e support vector machine apresentaram os melhores resultados, na avaliação do recall, e redes bayesianas na avaliação da métrica F1. Como trabalhos futuros, pretende-se utilizar outras técnicas e metodologias que possam ser aplicadas para melhorar os resultados, como modificação na base de treino, nos classificadores, modificação nas entradas selecionadas para o treino e uma melhor aquisição da informação de spot e não spot.

Para mais informações acesse: http://inf.ufpel.edu.br/notcc/doku.php?id=bancas:2015_2