Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Gomes, Vitoria Zanon [UNESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Bioinformática
Alinhamento de sequências
Algoritmo genético
Meta-heurísticas
Aprendizado por reforço
Bioinformatics
Multiple sequence alignment
Genetic algorithm
Metaheuristics
Reinforcement learning
Link de acesso: https://hdl.handle.net/11449/312584
Resumo: O alinhamento múltiplo de sequências é uma das tarefas mais importantes dentro do campo da bioinformática, sendo usado para diversos tipos de análises biológicas, como a de função e estrutura de proteínas desconhecidas, design de drogas e estudos evolucionários. A literatura apresenta diversas estratégias para a realização de um alinhamento com qualidade biológica significante, sendo o algoritmo genético um dos mais usados devido à sua adaptabilidade. Porém, apesar dos bons resultados produzidos, o algoritmo sofre com o chamado problema de máximo local, fazendo com que a solução final seja um alinhamento que ainda pode ser melhorado. Dessa forma, o presente trabalho propõe a modelagem e implementação de uma estratégia híbrida entre o algoritmo genético, meta-heurísticas conhecidas da área e técnicas de aprendizado de máquina por reforço, com o objetivo de amenizar essa dificuldade. Com os resultados obtidos, demonstra-se a eficácia da estratégia proposta em amenizar consideravelmente o problema de máximo local, produzindo resultados com ótima significância biológica, semelhante às principais ferramentas da área, como Clustal Omega e Kalign.
id UNSP_8e18b70d7c388f12eccab1d885340ce5
oai_identifier_str oai:repositorio.unesp.br:11449/312584
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequênciasHybrid genetic algorithm with metaheuristics and reinforcement learning for multiple sequence alignmentBioinformáticaAlinhamento de sequênciasAlgoritmo genéticoMeta-heurísticasAprendizado por reforçoBioinformaticsMultiple sequence alignmentGenetic algorithmMetaheuristicsReinforcement learningO alinhamento múltiplo de sequências é uma das tarefas mais importantes dentro do campo da bioinformática, sendo usado para diversos tipos de análises biológicas, como a de função e estrutura de proteínas desconhecidas, design de drogas e estudos evolucionários. A literatura apresenta diversas estratégias para a realização de um alinhamento com qualidade biológica significante, sendo o algoritmo genético um dos mais usados devido à sua adaptabilidade. Porém, apesar dos bons resultados produzidos, o algoritmo sofre com o chamado problema de máximo local, fazendo com que a solução final seja um alinhamento que ainda pode ser melhorado. Dessa forma, o presente trabalho propõe a modelagem e implementação de uma estratégia híbrida entre o algoritmo genético, meta-heurísticas conhecidas da área e técnicas de aprendizado de máquina por reforço, com o objetivo de amenizar essa dificuldade. Com os resultados obtidos, demonstra-se a eficácia da estratégia proposta em amenizar consideravelmente o problema de máximo local, produzindo resultados com ótima significância biológica, semelhante às principais ferramentas da área, como Clustal Omega e Kalign.The multiple sequence alignment is one of the most important tasks in bioinformatics, being used for different types of biological analysis such as the function and structure of unknown proteins, drugs design and evolutionary studies. There are several distinct strategies to get an alignment with significant biological quality, being the genetic algorithm one of the most used due to its adaptability. However, it suffers with the local maximum problem, causing the final solution to be an alignment that could be improved. Thus, this work proposes the modelling and implementation of a new hybrid method between genetic algorithm, well-known metaheuristics and machine reinforcement learning techniques as a way to smooth this problem. The results demonstrate the efficacy of the proposed strategy in mitigating considerably the local optima problem, achieving alignments with great biological significance, which are comparable with leading state-of-art tools, like Clustal Omega and Kalign.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)CAPES: 88887.686064/2022-00Universidade Estadual Paulista (Unesp)Zafalon, Geraldo Francisco Donegá [UNESP]Instituto de Biociências, Letras e Ciências ExatasUniversidade Estadual Paulista (Unesp)Gomes, Vitoria Zanon [UNESP]2025-07-30T20:30:54Z2025-07-01info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfZANON, V. Z. Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências. 2025. Tese (Doutorado em Ciência da Computação) – Instituto de Biociências, Letras e Ciências Exatas, Universidade Estadual Paulista(UNESP), São José do Rio Preto, 2025.https://hdl.handle.net/11449/31258433004153073P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2025-07-30T21:21:36Zoai:repositorio.unesp.br:11449/312584Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462025-07-30T21:21:36Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências
Hybrid genetic algorithm with metaheuristics and reinforcement learning for multiple sequence alignment
title Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências
spellingShingle Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências
Gomes, Vitoria Zanon [UNESP]
Bioinformática
Alinhamento de sequências
Algoritmo genético
Meta-heurísticas
Aprendizado por reforço
Bioinformatics
Multiple sequence alignment
Genetic algorithm
Metaheuristics
Reinforcement learning
title_short Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências
title_full Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências
title_fullStr Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências
title_full_unstemmed Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências
title_sort Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências
author Gomes, Vitoria Zanon [UNESP]
author_facet Gomes, Vitoria Zanon [UNESP]
author_role author
dc.contributor.none.fl_str_mv Zafalon, Geraldo Francisco Donegá [UNESP]
Instituto de Biociências, Letras e Ciências Exatas
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Gomes, Vitoria Zanon [UNESP]
dc.subject.por.fl_str_mv Bioinformática
Alinhamento de sequências
Algoritmo genético
Meta-heurísticas
Aprendizado por reforço
Bioinformatics
Multiple sequence alignment
Genetic algorithm
Metaheuristics
Reinforcement learning
topic Bioinformática
Alinhamento de sequências
Algoritmo genético
Meta-heurísticas
Aprendizado por reforço
Bioinformatics
Multiple sequence alignment
Genetic algorithm
Metaheuristics
Reinforcement learning
description O alinhamento múltiplo de sequências é uma das tarefas mais importantes dentro do campo da bioinformática, sendo usado para diversos tipos de análises biológicas, como a de função e estrutura de proteínas desconhecidas, design de drogas e estudos evolucionários. A literatura apresenta diversas estratégias para a realização de um alinhamento com qualidade biológica significante, sendo o algoritmo genético um dos mais usados devido à sua adaptabilidade. Porém, apesar dos bons resultados produzidos, o algoritmo sofre com o chamado problema de máximo local, fazendo com que a solução final seja um alinhamento que ainda pode ser melhorado. Dessa forma, o presente trabalho propõe a modelagem e implementação de uma estratégia híbrida entre o algoritmo genético, meta-heurísticas conhecidas da área e técnicas de aprendizado de máquina por reforço, com o objetivo de amenizar essa dificuldade. Com os resultados obtidos, demonstra-se a eficácia da estratégia proposta em amenizar consideravelmente o problema de máximo local, produzindo resultados com ótima significância biológica, semelhante às principais ferramentas da área, como Clustal Omega e Kalign.
publishDate 2025
dc.date.none.fl_str_mv 2025-07-30T20:30:54Z
2025-07-01
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv ZANON, V. Z. Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências. 2025. Tese (Doutorado em Ciência da Computação) – Instituto de Biociências, Letras e Ciências Exatas, Universidade Estadual Paulista(UNESP), São José do Rio Preto, 2025.
https://hdl.handle.net/11449/312584
33004153073P2
identifier_str_mv ZANON, V. Z. Algoritmo genético híbrido com meta-heurísticas e aprendizado por reforço para alinhamento múltiplo de sequências. 2025. Tese (Doutorado em Ciência da Computação) – Instituto de Biociências, Letras e Ciências Exatas, Universidade Estadual Paulista(UNESP), São José do Rio Preto, 2025.
33004153073P2
url https://hdl.handle.net/11449/312584
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1854954960070901760

Registros relacionados