DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 311

Aluno: Hugo de Andrade Amorim Neto

Título: “Integração de Modelos Surrogate no Algoritmo PALLAS para Inferência de Redes Reguladoras Gênicas"

Orientador: Fernando Buarque de Lima Neto

Coorientador: Marcelo Gomes Pereira de Lacerda

Examinador Externo: Ulisses de M. Braga Neto (Texas A M University)

Examinador Interno: Wellington Pinheiro dos Santos

Data-hora: 18 de dezembro de 2024, às 16:30.
Local: Formato Híbrido, no Miniauditório PPGEC e Google meet.

Resumo:

"A inferência de redes regulatórias gênicas (RRG) é uma área importante para o entendimento de processos biológicos complexos, como a resposta celular a estímulos externos e o desenvolvimento de doenças. Essas redes permitem modelar as interações entre genes, fornecendo insights sobre os mecanismos regulatórios que controlam funções celulares. Contudo, a inferência de RRG apresenta desafios devido ao alto custo computacional envolvido na avaliação de funções de fitness em algoritmos de otimização. Neste trabalho, é explorado a aplicação de modelos surrogate em meta-heurísticas para inferir RRG a partir de dados temporais de expressão gênica. Modelos surrogate, como funções de base radial, são usados para aproximar funções de fitness e reduzir o número de avaliações diretas, enquanto meta-heurísticas, como o Mixed Fish School Search (MFSS), são utilizadas para otimizar problemas complexos. Foi proposto o algoritmo Surrogate-based Mixed Fish School Search (SMFSS), que integra modelos surrogate ao Penalized Maximum Likelihood and Particle Swarms (PALLAS), visando melhorar a efi ciência computacional do processo de inferência. O SMFSS foi avaliado em duas abordagens. A primeira abordagem visa reduzir o número de chamadas a função de fitness, mantendo a qualidade do resultado final, enquanto a segunda mantém o número de chamadas de fitness, mas incorpora iterações que utilizem o modelo surrogate para aprimorar a eficácia computacional do algoritmo. Ambas as versões foram testadas utilizando o dataset da célula A549 e o p53-MDM2 negative-feedback loop, com e sem a incorporação de informações prévias. Os resultados indicaram uma redução de até 89% no número de chamadas a função de fitness, com resultados finais estatisticamente equivalentes aos do algoritmo original, segundo o testeU de Mann-Whitney. Na segunda abordagem, que manteve o número de chamadas de fitness, os resultados foram equivalentes ou superaram os de referência, demonstrando melhoras em termos de performance. Assim, este trabalho evidencia o potencial significativo da incorporação de modelos surrogate em meta-heurísticas para a inferência de RRG e também indicam oportunidades para sua aplicação em diferentes áreas da biologia."