Navegando por Assunto "Multiple Kernel Learning"

Agora exibindo 1 - 2 de 2

Avaliação de métodos de imputação de valores ausentes para a predição de interações fármaco-proteína
(2024-03-08) Santos, Victor Vidal dos; Nascimento, André Câmara Alves do; http://lattes.cnpq.br/0622594061462533; http://lattes.cnpq.br/7999257997046465
Na última década, o estudo de redes farmacológicas tem recebido muita atenção devido à sua relevância no processo de descoberta de medicamentos. Muitas abordagens diferentes para prever interações biológicas têm sido propostas, especialmente na área de aprendizado de múltiplos kernels (MKL). Tais métodos compreendem abordagens integrativas que podem lidar com fontes de dados heterogêneas, mas sofrem com o problema de dados incompletos. Técnicas para lidar com valores faltosos nas matrizes kernel base podem ser utilizadas, geralmente baseadas em técnicas simples, como imputação de zeros, média e mediana da matriz. Neste trabalho, foram avaliadas técnicas de tratamento de valores faltosos no contexto de redes bipartidas. Nossas análises mostraram que, dependendo da quantidade de dados faltantes, a técnica k-NN e SVD teve um desempenho muito melhor do que as outras técnicas, trazendo resultados animadores, enquanto o preenchimento zero apresentou o pior desempenho em relação a todos os outros métodos avaliados
Tratamento de Kernels incompletos em redes bipartidas na predição de interações em redes biológicas
(2020-10-30) Bastos, Tássia Laís Barros; Nascimento, André Câmara Alves do; http://lattes.cnpq.br/0622594061462533; http://lattes.cnpq.br/2065961687962702
Na última década, o estudo de redes farmacológicas recebeu bastante atenção dada sua relevância para a produção de novos medicamentos. Os estudos foram propiciados mediante ao grande volume de dados biológicos gerados, possibilitando entender e extrair conhecimento em cima deles. Contudo, apesar de interessante, este é um processo que traz consigo algumas barreiras no quesito viabilidade, particularmente quando os dados aparecem de forma heterogênea e contêm informações ausentes. Muitas abordagens distintas para predição de interações biológicas vêm sendo propostas, com destaque para a área de aprendizagem de múltiplos kernels Multiple Kernel Learning (MKL). O uso de métodos MKL em dados de natureza biológica também são comprometidos pela heterogeneidade das fontes de dados, mas associados aos métodos podem ser utilizadas técnicas de complementação de valores ausentes nas matrizes de kernel base. Esse processo de preenchimento geralmente é feito com técnicas simples, como imputação de zeros, média e mediana da matriz. Neste trabalho, técnicas de tratamento de valores faltosos foram avaliadas no contexto de redes bipartidas para solucionar as limitações relativas a heterogeneidade dos dados. Utilizamos três técnicas de imputação de valor único (média, mediana e zero) e uma técnica mais complexa de imputação preditiva (SVD). Todas as técnicas citadas já foram utilizadas para completude de matrizes no contexto de redes unipartidas. Nossas análises demonstraram que a técnica SVD apresentou um desempenho muito superior comparada às demais técnicas nas métricas avaliativas, trazendo resultados expressivos neste domínio para a utilização da técnica em modelos que utilizam redes bipartidas. As técnicas média e mediana apresentaram desempenhos similares, porém inferiores à SVD. E o preenchimento com zero apresentou o pior desempenho em relação a todas as outras técnicas aplicadas.