Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton
Ano de defesa: | 2018 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM BIOINFORMÁTICA
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://repositorio.ufrn.br/jspui/handle/123456789/25565 |
Resumo: | Neste trabalho é apresentada a proposta de desenvolvimento de uma metodologia - juntamente com a apresentação dos resultados de sua aplicação - que utiliza uma técnica de aprendizagem de máquina, SVM, para análise automatizada de dados de citometria de fluxo em amostras de ambientes aquáticos, na identificação de bacterioplâncton. As amostras utilizadas na execução desta metodologia foram coletadas em 19 lagos de montanhas de elevada altitude que foram classificados manualmente no Laboratório de Limnologia do Departamento de Oceanografia e Limnologia da UFRN. Previamente, iniciou-se com alguns testes de configuração da função kernel e uma análise quantitativa com base no número médio de acertos na classificação automatizada, na qual percebeu-se que a taxa de erro de predição variou entre 1,86% e 3,35%, em média. Foram realizadas duas etapas de desenvolvimento da metodologia proposta, onde foram criados modelos de predição e realizados uma série de testes com as bases de dados criadas a partir das informações disponíveis. Os resultados obtidos foram expostos a uma série de análises quantitativas e qualitativas, inclusive utilizando PCA para entender a importância de cada variável nos conjuntos de dados das mostras. Para uma avaliação qualitativa da metodologia proposta, foi aplicada uma análise estatística para comparar ambas estratégias de modelos de predição, que tem por base a classificação final apontada pelo algoritmo de Support Vector Machine. |
id |
UFRN_af73d3e18160307ab2fcfac463bc3e66 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/25565 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Cordeiro, Elionai MouraSantos, Araken de MedeirosAraújo, Daniel Sabino Amorim deSouza, Jorge Estefano Santana deDoria Neto, Adrião Duarte2018-07-10T14:53:20Z2018-07-10T14:53:20Z2018-03-22CORDEIRO, Elionai Moura. Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton. 2018. 94f. Dissertação (Mestrado em Bioinformática) - Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte, Natal, 2018.https://repositorio.ufrn.br/jspui/handle/123456789/25565Neste trabalho é apresentada a proposta de desenvolvimento de uma metodologia - juntamente com a apresentação dos resultados de sua aplicação - que utiliza uma técnica de aprendizagem de máquina, SVM, para análise automatizada de dados de citometria de fluxo em amostras de ambientes aquáticos, na identificação de bacterioplâncton. As amostras utilizadas na execução desta metodologia foram coletadas em 19 lagos de montanhas de elevada altitude que foram classificados manualmente no Laboratório de Limnologia do Departamento de Oceanografia e Limnologia da UFRN. Previamente, iniciou-se com alguns testes de configuração da função kernel e uma análise quantitativa com base no número médio de acertos na classificação automatizada, na qual percebeu-se que a taxa de erro de predição variou entre 1,86% e 3,35%, em média. Foram realizadas duas etapas de desenvolvimento da metodologia proposta, onde foram criados modelos de predição e realizados uma série de testes com as bases de dados criadas a partir das informações disponíveis. Os resultados obtidos foram expostos a uma série de análises quantitativas e qualitativas, inclusive utilizando PCA para entender a importância de cada variável nos conjuntos de dados das mostras. Para uma avaliação qualitativa da metodologia proposta, foi aplicada uma análise estatística para comparar ambas estratégias de modelos de predição, que tem por base a classificação final apontada pelo algoritmo de Support Vector Machine.This master tesis shows the proposal to develop a methodology - together with the presentation of the results of its application - that uses a machine learning technique, SVM, for automated analysis of flow cytometry data in samples of aquatic environments, identification of bacterioplankton. The samples used in the execution of this methodology were collected in 19 high altitude mountain lakes that were manually classified in the Laboratory of Limnology of the Department of Oceanography and Limnology of UFRN. Previously, it started with some tests of kernel configuration and a quantitative analysis based on the average number of hits in the automated classification, in which it was noticed that the prediction error rate varied between 1.86 % and 3, 35 % on average. Two stages of development of the proposed methodology were carried out, where prediction models were created and a series of tests were carried out with the databases created from the available information. The results were exposed to a series of quantitative and qualitative analyzes, including using PCA to understand the importance of each variable in the sample data sets. For a qualitative evaluation of the proposed methodology, a statistical analysis was applied to compare both strategies of prediction models, which is based on the final classification indicated by the algorithm of Support Vector Machine.porCNPQ::OUTROS: BIOINFORMÁTICACitometria de fluxoMáquina de vetor de suporteAutogatingAprendizagem de máquinaAnálise ambientalAutogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplânctoninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisPROGRAMA DE PÓS-GRADUAÇÃO EM BIOINFORMÁTICAUFRNBrasilinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNTEXTAutogatingDadosCitometria_Cordeiro_2018.pdf.txtAutogatingDadosCitometria_Cordeiro_2018.pdf.txtExtracted texttext/plain146964https://repositorio.ufrn.br/bitstream/123456789/25565/2/AutogatingDadosCitometria_Cordeiro_2018.pdf.txt73bb1a1d3a2046f74767fd202a383d09MD52THUMBNAILAutogatingDadosCitometria_Cordeiro_2018.pdf.jpgAutogatingDadosCitometria_Cordeiro_2018.pdf.jpgIM Thumbnailimage/jpeg2621https://repositorio.ufrn.br/bitstream/123456789/25565/3/AutogatingDadosCitometria_Cordeiro_2018.pdf.jpgcaafc807e2d351e40aad022b78b31d15MD53TEXTAutogatingDadosCitometria_Cordeiro_2018.pdf.txtAutogatingDadosCitometria_Cordeiro_2018.pdf.txtExtracted texttext/plain146964https://repositorio.ufrn.br/bitstream/123456789/25565/2/AutogatingDadosCitometria_Cordeiro_2018.pdf.txt73bb1a1d3a2046f74767fd202a383d09MD52THUMBNAILAutogatingDadosCitometria_Cordeiro_2018.pdf.jpgAutogatingDadosCitometria_Cordeiro_2018.pdf.jpgIM Thumbnailimage/jpeg2621https://repositorio.ufrn.br/bitstream/123456789/25565/3/AutogatingDadosCitometria_Cordeiro_2018.pdf.jpgcaafc807e2d351e40aad022b78b31d15MD53ORIGINALAutogatingDadosCitometria_Cordeiro_2018.pdfapplication/pdf5123400https://repositorio.ufrn.br/bitstream/123456789/25565/1/AutogatingDadosCitometria_Cordeiro_2018.pdf64cad460a8333cb5f9cc23b82a4e1c1dMD51123456789/255652019-01-30 08:40:49.711oai:https://repositorio.ufrn.br:123456789/25565Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2019-01-30T11:40:49Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton |
title |
Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton |
spellingShingle |
Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton Cordeiro, Elionai Moura CNPQ::OUTROS: BIOINFORMÁTICA Citometria de fluxo Máquina de vetor de suporte Autogating Aprendizagem de máquina Análise ambiental |
title_short |
Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton |
title_full |
Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton |
title_fullStr |
Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton |
title_full_unstemmed |
Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton |
title_sort |
Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton |
author |
Cordeiro, Elionai Moura |
author_facet |
Cordeiro, Elionai Moura |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
|
dc.contributor.advisorID.pt_BR.fl_str_mv |
|
dc.contributor.referees1.none.fl_str_mv |
Santos, Araken de Medeiros |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
|
dc.contributor.referees2.none.fl_str_mv |
Araújo, Daniel Sabino Amorim de |
dc.contributor.referees2ID.pt_BR.fl_str_mv |
|
dc.contributor.referees3.none.fl_str_mv |
Souza, Jorge Estefano Santana de |
dc.contributor.referees3ID.pt_BR.fl_str_mv |
|
dc.contributor.author.fl_str_mv |
Cordeiro, Elionai Moura |
dc.contributor.advisor1.fl_str_mv |
Doria Neto, Adrião Duarte |
contributor_str_mv |
Doria Neto, Adrião Duarte |
dc.subject.cnpq.fl_str_mv |
CNPQ::OUTROS: BIOINFORMÁTICA |
topic |
CNPQ::OUTROS: BIOINFORMÁTICA Citometria de fluxo Máquina de vetor de suporte Autogating Aprendizagem de máquina Análise ambiental |
dc.subject.por.fl_str_mv |
Citometria de fluxo Máquina de vetor de suporte Autogating Aprendizagem de máquina Análise ambiental |
description |
Neste trabalho é apresentada a proposta de desenvolvimento de uma metodologia - juntamente com a apresentação dos resultados de sua aplicação - que utiliza uma técnica de aprendizagem de máquina, SVM, para análise automatizada de dados de citometria de fluxo em amostras de ambientes aquáticos, na identificação de bacterioplâncton. As amostras utilizadas na execução desta metodologia foram coletadas em 19 lagos de montanhas de elevada altitude que foram classificados manualmente no Laboratório de Limnologia do Departamento de Oceanografia e Limnologia da UFRN. Previamente, iniciou-se com alguns testes de configuração da função kernel e uma análise quantitativa com base no número médio de acertos na classificação automatizada, na qual percebeu-se que a taxa de erro de predição variou entre 1,86% e 3,35%, em média. Foram realizadas duas etapas de desenvolvimento da metodologia proposta, onde foram criados modelos de predição e realizados uma série de testes com as bases de dados criadas a partir das informações disponíveis. Os resultados obtidos foram expostos a uma série de análises quantitativas e qualitativas, inclusive utilizando PCA para entender a importância de cada variável nos conjuntos de dados das mostras. Para uma avaliação qualitativa da metodologia proposta, foi aplicada uma análise estatística para comparar ambas estratégias de modelos de predição, que tem por base a classificação final apontada pelo algoritmo de Support Vector Machine. |
publishDate |
2018 |
dc.date.accessioned.fl_str_mv |
2018-07-10T14:53:20Z |
dc.date.available.fl_str_mv |
2018-07-10T14:53:20Z |
dc.date.issued.fl_str_mv |
2018-03-22 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
CORDEIRO, Elionai Moura. Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton. 2018. 94f. Dissertação (Mestrado em Bioinformática) - Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte, Natal, 2018. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/jspui/handle/123456789/25565 |
identifier_str_mv |
CORDEIRO, Elionai Moura. Autogating em dados de citometria de fluxo utilizando classificadores SVM para identificação de bacterioplâncton. 2018. 94f. Dissertação (Mestrado em Bioinformática) - Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte, Natal, 2018. |
url |
https://repositorio.ufrn.br/jspui/handle/123456789/25565 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM BIOINFORMÁTICA |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/25565/2/AutogatingDadosCitometria_Cordeiro_2018.pdf.txt https://repositorio.ufrn.br/bitstream/123456789/25565/3/AutogatingDadosCitometria_Cordeiro_2018.pdf.jpg https://repositorio.ufrn.br/bitstream/123456789/25565/2/AutogatingDadosCitometria_Cordeiro_2018.pdf.txt https://repositorio.ufrn.br/bitstream/123456789/25565/3/AutogatingDadosCitometria_Cordeiro_2018.pdf.jpg https://repositorio.ufrn.br/bitstream/123456789/25565/1/AutogatingDadosCitometria_Cordeiro_2018.pdf |
bitstream.checksum.fl_str_mv |
73bb1a1d3a2046f74767fd202a383d09 caafc807e2d351e40aad022b78b31d15 73bb1a1d3a2046f74767fd202a383d09 caafc807e2d351e40aad022b78b31d15 64cad460a8333cb5f9cc23b82a4e1c1d |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1796767034117193728 |