Feature extraction and selection analysis in biological sequence: a case study with metaheuristics and mathematical models

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSanches, Danilo Sipoli-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6377657274398145-
Autor(es): dc.contributorPaschoal, Alexandre Rossi-
Autor(es): dc.contributor0000-0002-8887-0582-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5834088144837137-
Autor(es): dc.contributorCarvalho, Andre Carlos Ponce de Leon Ferreira de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9674541381385819-
Autor(es): dc.contributorSanches, Danilo Sipoli-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6377657274398145-
Autor(es): dc.contributorLopes, Fabricio Martins-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1660070580824436-
Autor(es): dc.creatorBonidia, Robson Parmezan-
Data de aceite: dc.date.accessioned2022-02-21T22:04:20Z-
Data de disponibilização: dc.date.available2022-02-21T22:04:20Z-
Data de envio: dc.date.issued2020-10-26-
Data de envio: dc.date.issued2020-10-26-
Data de envio: dc.date.issued2020-02-11-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/5301-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/667153-
Descrição: dc.descriptionThe number of available biological sequences has increased in large amounts in past years, due to various genomic sequencing projects, creating a huge volume of data. Consequently, new computational methods are needed for the analysis and information extraction from these sequences. Machine learning methods have shown broad applicability in computational biology and bioinformatics. The application of machine learning methods has helped to extract relevant information from various biological datasets. However, there are still several challenging problems that motivate new algorithms and pipeline proposals. Therefore, this work proposes a generic machine learning pipeline for biological sequence analysis, following two main steps: (1) feature extraction and (2) feature selection. Essentially, we focus our work on the study of dimensionality reduction and feature extraction techniques, using metaheuristics and mathematical models. As a case study, we analyze Long Non-Coding RNA sequences. Moreover, we divided this dissertation into two parts, e.g., Experimental Test I (feature selection) and Experimental Test II (feature extraction). The experimental results indicated four main contributions: (1) A pipeline with five distinct metaheuristics, using a voting scheme and execution rounds, to the feature selection problem in biological sequences; (2) The metaheuristic efficiency, providing competitive classification performance; (3) A feature extraction pipeline using nine mathematical models and (4) its generalization and robustness for distinct biological sequence classification.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionO número de sequências biológicas disponíveis aumentou em grandes quantidades nos últimos anos, devido a vários projetos de sequenciamento genômico, criando um alto volume de dados. Consequentemente, novos métodos computacionais são necessários para a análise e extração de informações a partir dessas sequências. Métodos de aprendizado de máquina têm apresentado ampla aplicabilidade em biologia computacional e bioinformática. A aplicação desses métodos tem ajudado a extrair informações relevantes de vários conjuntos de dados biológicos. No entanto, ainda existem vários problemas desafiadores que motivam novas propostas de algoritmos e pipelines. Portanto, este trabalho propõe um pipeline genérico de aprendizado de máquina para análise de sequência biológica, seguindo duas etapas principais: (1) extração e (2) seleção de características. Essencialmente, concentramos nosso trabalho no estudo de técnicas de redução de dimensionalidade e extração de recursos, usando metaheurísticas e modelos matemáticos. Como estudo de caso, analisamos sequências de RNAs longos não codificantes. Além disso, dividimos esta dissertação em duas partes: Teste Experimental I (seleção de características) e Teste Experimental II (extração de características). Os resultados experimentais indicam quatro contribuições principais: (1) Um pipeline com 5 metaheurísticas diferentes, usando um esquema de votação e rodadas de execução, ao problema de seleção de características em sequências biológicas; (2) A eficiência metaheurística, proporcionando desempenho de classificação competitiva; (3) Um pipeline de extração de recursos usando 9 modelos matemáticos e (4) sua generalização e robustez para classificação de sequências biológicas distintas.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCornelio Procopio-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Bioinformática-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectMachine Learning-
Palavras-chave: dc.subjectMathematical models-
Palavras-chave: dc.subjectHeuristic programming-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectModelos matemáticos-
Palavras-chave: dc.subjectProgramação heurística-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Palavras-chave: dc.subjectEngenharia/Tecnologia/Gestão-
Título: dc.titleFeature extraction and selection analysis in biological sequence: a case study with metaheuristics and mathematical models-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.