Reconhecimento de padrões em biossequências utilizando sistema imunológico artificial

• Ano de defesa: 2021
• Autor(a) principal: Liberato, Luiz Paulo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Bioinformática; Sistema imunológico artificial; Reconhecimento de padrões; Bioinformatics; Artificial immune system; Pattern recognition
• Link de acesso: http://hdl.handle.net/11449/215096

Com o avanço nos estudos genômicos foi possível entender melhor a herança genética, a síntese de proteínas e as mutações que ocorrem nos seres vivos. Com o aumento na capacidade de sequenciamento do ADN (Ácido desoxirribonucleico), e seu armazenamento, torna-se possível estudos biológicos avançados. O crescimento dos dados agrega massa de conhecimento para profissionais da área de genética, no entanto, o processamento passa a ser dispendioso quando utilizados métodos determinísticos. Para garantir tempo hábil e maior precisão no processo de reconhecimento de padrões utiliza-se de métodos heurísticos, dado que métodos determinísticos inviabilizam a execução de grandes volumes de dados. Métodos heurísticos possuem a característica de buscar a melhor solução possível dentro do espaço de busca que é explorado. Dentre as heurísticas conhecidas tem-se o Sistema Imunológico Artificial (SIA) que se enquadra na categoria de métodos bioinspirados que simulam um comportamento biológico. No presente trabalho desenvolveu-se a implementação do CLONALG (Algoritmo de Seleção Clonal) da abordagem do SIA com o MMO (Modelo de Markov Oculto) como função de afinidade, afim de obter padrões estocásticos que representem informações genéticas com relevância biológica e um tempo computacional aceitável. Como resultado foi obtido um valor 50% mais relevante em termos de tempo de execução, quando comparado ao CLONALG com a função de afinidade de Hamming. Por se tratar de uma abordagem estocástica é possível armazenar os padrões com maior afinidade para processamentos futuros, e ajustes nos parâmetros do algoritmo podem ser feitos para melhorar ainda mais a qualidade dos padrões encontrados. Finalmente, também validou-se que o CLONALG com a implementação MMO foi capaz de reconhecer os mesmos padrões quando comparado a ferramentas similares.