Aprendizado de Máquina Simbólico

Apresentação em tema: "Aprendizado de Máquina Simbólico"— Transcrição da apresentação:

1 Aprendizado de Máquina Simbólico
José Augusto Baranauskas Departamento de Física e Matemática – DFM Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto – FFCLRP Universidade de São Paulo – USP 5-13 de Maio de 2003 Ribeirão Preto, SP My talk is related to a work under development which involves the implementation of a computational environment for extracting rules from databases. My name is José Augusto Baranauskas I`m from the Computational Intelligence Lab, University of São Paulo at São Carlos, Brazil

2 Coleta de Dados Pessoas são naturalmente observadoras

3 Coleta de Dados Geralmente observamos processos que ocorrem na natureza ou criados pelo homem e tentamos compreendê-los

4 Coleta de Dados Em algumas situações, um ser humano pode decidir medir ou coletar algumas variáveis (ou atributos) do processo em questão para facilitar a compreensão

5 Armazenamento de Dados
Memória humana Papéis ou fichas Arquivos texto ou planilhas DBMS Data Marting ou Data Warehousing

6 Queries sobre os Dados Embora o modo tradicional de interagir com os dados seja satisfatório para consultas bem definidas, ele não é projetado para responder questões do tipo É possível prever o comportamento do processo em questão? Como os dados podem ser usados para construir classificadores do processo a partir do qual os dados foram coletados? Como entender melhor os dados e usá-los para obter algum tipo de vantagem ou tornar o processo melhor?

7 Aprendizado Indutivo Um sistema de aprendizado [supervisionado] é um programa de computador que toma decisões baseadas na experiência contida em exemplos solucionados com sucesso (Weiss & Kulikowski 1991) A indução é a forma de inferência lógica que permite obter conclusões genéricas sobre um conjunto particular de exemplos Apesar da indução ser o recurso mais utilizado pelo cérebro humano, para derivar conhecimento novo, ela deve ser utilizada com cautela, pois se o número de exemplos for insuficiente, ou se os exemplos não forem bem escolhidos, as hipóteses obtidas podem ser de pouco valor

8 Exemplo Um cientista está pesquisando a audição das formigas
A formiga está parada e o cientista dá um grito. A formiga sai correndo. Ele então arranca uma das pernas da formiga, e dá outro grito, da mesma intensidade que o primeiro. A formiga corre, mas não tão depressa como anteriormente O cientista então arranca as outras pernas e dá outro grito. A formiga não corre. Então ele conclui que as formigas ouvem pelas pernas. A conclusão, baseada no experimento do cientista, não é válida porque ele escolheu mal as características relevantes na determinação da audição das formigas

9 Hierarquia do Aprendizado
não Supervisionado Regressão Classificação Indutivo

10 Hierarquia do Aprendizado
não Supervisionado Regressão Classificação Indutivo Efetuado a partir de exemplos externos (coletados)

11 Hierarquia do Aprendizado
não Supervisionado Regressão Classificação Indutivo Exemplos estão rotulados (classe é conhecida)

12 Hierarquia do Aprendizado
não Supervisionado Regressão Classificação Indutivo A classe é discreta

13 Exemplos Considerando dados sobre pacientes, um médico pode diagnosticar se eles possuem ou não problemas cardíacos. Com base nos diagnósticos, o médico pode rotular os pacientes como saudáveis, doentes ou inconclusivos, determinando, desta forma, os rótulos que podem ser usados por um indutor para aprender o conceito sobre problemas cardíacos Por outro lado, considerando um processo que adquire informações sobre as condições meteorológicas, tais como pressão atmosférica, temperatura, umidade relativa e tipo de condição (dia ensolarado, chuvoso, chuvisco, etc), é possível utilizar o tipo de condição como o rótulo da classe para ser utilizada por um indutor para aprender o conceito de tipo de condição atmosférica

14 Processo de Aprendizado
Especialista Conhecimento do Domínio Conhecimento do Domínio Dados Brutos Classificador Especificação do Problema Indutor Exemplos Avaliação

15 Processo de Aprendizado
CD pode ser usado ao selecionar os dados Especialista CD pode ser usado para fornecer informação já conhecida ao indutor Conhecimento do Domínio Conhecimento do Domínio Dados Brutos Classificador Especificação do Problema Indutor Exemplos Avaliação

16 Processo de Aprendizado
Especialista Conhecimento do Domínio Conhecimento do Domínio Dados Brutos Classificador Especificação do Problema Indutor Exemplos O classificador gerado é avaliado e o processo pode ser repetido Avaliação

17 Processo de Aprendizado
Especialista Classificador deve fornecer uma descrição compacta do conceito existente nos dados Conhecimento do Domínio Conhecimento do Domínio Dados Brutos Classificador Especificação do Problema Indutor Exemplos Avaliação

18 Processo de Classificação de Novos Exemplos
Não Rotulados (sem classe) Especialista Conhecimento do Domínio Conhecimento do Domínio Dados Brutos Classificador Especificação do Problema Indutor Classificar Novos Exemplos Exemplos Exemplos Rotulados (com classe) Avaliação

19 Aprendizado Supervisionado
Aprendizado Supervisionado (feedback) Exemplo: par (x, f(x)) x é a entrada (vetor de atributos) f(x) é a saída (f desconhecida!) Indução ou inferência indutiva: dada uma coleção de exemplos de f, retornar uma função h que aproxima f. h é denominada uma hipótese (classificador) (a) (b) (c) (d)

20 Tipos de Classificador
Não Simbólico ou Caixa-preta Não facilmente interpretado por humanos Desenvolve sua própria representação de conceitos Não fornece esclarecimento ou explicação sobre o processo de classificação Simbólico ou Orientado a conhecimento Cria estruturas simbólicas que podem ser compreendidas por seres humanos ”Os resultados da indução devem ser descrições simbólicas das entidades dadas... devem ser compreensíveis como simples ‘pedaços’ de informação, diretamente interpretáveis em linguagem natural...” (Michalski 1983a)

21 Exemplo: Árvore de Decisão
Patient´s temperature  37 no yes > 37 healthy sick Has patient pain? Is patient feeling good? Is patient feeling good = yes : healthy Is patient feeling good = no : :...Has patient pain = no : :...Patient’s temperature <= 37: healthy : Patient’s temperature > 37: sick Has patient pain = yes : sick

22 Winconsin Breast Cancer Data
Citation Request: This breast cancer databases was obtained from the University of Wisconsin Hospitals, Madison from Dr. William H. Wolberg. If you publish results when using this database, then please include this information in your acknowledgements. 1. Title: Wisconsin Breast Cancer Database (January 8, 1991) 2. Sources: -- Dr. WIlliam H. Wolberg (physician) University of Wisconsin Hospitals Madison, Wisconsin USA -- Donor: Olvi Mangasarian Received by David W. Aha -- Date: 15 July 1992 ... 4. Relevant Information: Samples arrive periodically as Dr. Wolberg reports his clinical cases. The database therefore reflects this chronological grouping of the data. This grouping information appears immediately below, having been removed from the data itself: Group 1: 367 instances (January 1989) Group 2: 70 instances (October 1989) Group 3: 31 instances (February 1990) Group 4: 17 instances (April 1990) Group 5: 48 instances (August 1990) Group 6: 49 instances (Updated January 1991) Group 7: 31 instances (June 1991) Group 8: 86 instances (November 1991) Total: points (as of the donated datbase on 15 July 1992) 5. Number of Instances: 699 (as of 15 July 1992) 6. Number of Attributes: 10 plus the class attribute 7. Attribute Information: (class attribute has been moved to last column) # Attribute Domain 1. Sample code number id number 2. Clump Thickness 3. Uniformity of Cell Size 4. Uniformity of Cell Shape 5. Marginal Adhesion 6. Single Epithelial Cell Size 7. Bare Nuclei 8. Bland Chromatin 9. Normal Nucleoli 10. Mitoses 11. Class: (2 for benign, 4 for malignant) 8. Missing attribute values: 16 There are 16 instances in Groups 1 to 6 that contain a single missing (i.e., unavailable) attribute value, now denoted by "?". 9. Class distribution: Benign: 458 (65.5%) Malignant: 241 (34.5%)

23 Winconsin Breast Cancer Data
7. Attribute Information: (class attribute has been moved to last column) # Attribute Domain 1. Sample code number id number 2. Clump Thickness 3. Uniformity of Cell Size 4. Uniformity of Cell Shape 5. Marginal Adhesion 6. Single Epithelial Cell Size 7. Bare Nuclei 8. Bland Chromatin 9. Normal Nucleoli 10. Mitoses 11. Class: (2 for benign, 4 for malignant) ,5,1,1,1,2,1,3,1,1,2 ,5,4,4,5,7,10,3,2,1,2 ,3,1,1,1,2,2,3,1,1,2 ,6,8,8,1,3,4,3,7,1,2 ,4,1,1,3,2,1,3,1,1,2 ,8,10,10,8,7,10,9,7,1,4 ,1,1,1,1,2,10,3,1,1,2 ,2,1,2,1,2,1,3,1,1,2 ,2,1,1,1,2,1,1,1,5,2 ,4,2,1,1,2,1,2,1,1,2 ,1,1,1,1,1,1,3,1,1,2 ,2,1,1,1,2,1,2,1,1,2 ,5,3,3,3,2,3,4,4,1,4 ...

24 Winconsin Breast Cancer Data
Read 699 cases (10 attributes) Decision Tree: Uniformity of Cell Size <= 2: :...Bare Nuclei <= 3: : :...Uniformity of Cell Shape <= 2: 2 (372.6) : : Uniformity of Cell Shape > 2: : : :...Single Epithelial Cell Size <= 3: 2 (30.8) : : Single Epithelial Cell Size > 3: 4 (2.0) : Bare Nuclei > 3: : :...Clump Thickness <= 3: 2 (11.6) : Clump Thickness > 3: : :...Bland Chromatin > 2: 4 (8.1/0.1) : Bland Chromatin <= 2: : :...Marginal Adhesion <= 3: 4 (2.0) : Marginal Adhesion > 3: 2 (2.0) Uniformity of Cell Size > 2: :...Uniformity of Cell Shape <= 2: :...Clump Thickness <= 5: 2 (19.0/1.0) : Clump Thickness > 5: 4 (4.0) Uniformity of Cell Shape > 2: :...Uniformity of Cell Size > 4: 4 (177.0/5.0) Uniformity of Cell Size <= 4: :...Bare Nuclei <= 2: :...Marginal Adhesion <= 3: 2 (11.4/1.2) : Marginal Adhesion > 3: 4 (3.0) Bare Nuclei > 2: :...Clump Thickness > 6: 4 (31.8/1.0) Clump Thickness <= 6: :...Uniformity of Cell Size <= 3: 4 (13/2) Uniformity of Cell Size > 3: :...Marginal Adhesion <= 5: 2 (5.8/1.0) Marginal Adhesion > 5: 4 (5.0) Evaluation on training data (699 cases): Decision Tree Size Errors ( 1.6%) << (a) (b) <-classified as (a): class 2 (b): class 4 Time: 0.2 secs

25 Winconsin Breast Cancer Data
Read 699 cases (10 attributes) Options: Pruning confidence level 75% Test requires two branches with >= 1 items Decision tree: Uniformity of Cell Size <= 2: :...Bare Nuclei <= 3: : :...Uniformity of Cell Shape <= 2: 2 (372.6) : : Uniformity of Cell Shape > 2: : : :...Single Epithelial Cell Size <= 3: 2 (30.8) : : Single Epithelial Cell Size > 3: 4 (2.0) : Bare Nuclei > 3: : :...Clump Thickness <= 3: 2 (11.6) : Clump Thickness > 3: : :...Marginal Adhesion > 8: 2 (1.0) : Marginal Adhesion <= 8: : :...Bland Chromatin > 1: 4 (9.1/0.1) : Bland Chromatin <= 1: : :...Clump Thickness <= 7: 2 (1.0) : Clump Thickness > 7: 4 (1.0) Uniformity of Cell Size > 2: :...Uniformity of Cell Shape <= 2: :...Clump Thickness > 5: 4 (4.0) : Clump Thickness <= 5: : :...Bare Nuclei <= 7: 2 (18.0) : Bare Nuclei > 7: 4 (1.0) Uniformity of Cell Shape > 2: :...Uniformity of Cell Size <= 4: :...Bare Nuclei <= 2: : :...Marginal Adhesion > 3: 4 (3.0) : : Marginal Adhesion <= 3: : : :...Normal Nucleoli <= 7: 2 (10.4/0.2) : : Normal Nucleoli > 7: 4 (1.0) : Bare Nuclei > 2: : :...Clump Thickness <= 6: : :...Uniformity of Cell Size <= 3: : : :...Clump Thickness > 5: 2 (1.0) : : : Clump Thickness <= 5: : : : :...Bare Nuclei > 7: 4 (6.0) : : : Bare Nuclei <= 7: : : : :...Single Epithelial Cell Size <= 3: 4 (5.0) : : : Single Epithelial Cell Size > 3: 2 (1.0) : : Uniformity of Cell Size > 3: : : :...Marginal Adhesion > 5: 4 (5.0) : : Marginal Adhesion <= 5: : : :...Uniformity of Cell Shape <= 4: 2 (3.8) : : Uniformity of Cell Shape > 4: : : :...Marginal Adhesion <= 2: 4 (1.0) : : Marginal Adhesion > 2: 2 (1.0) : Clump Thickness > 6: : :...Uniformity of Cell Size <= 3: 4 (10.0) : Uniformity of Cell Size > 3: : :...Mitoses <= 1: 4 (13.8) : Mitoses > 1: : :...Bare Nuclei > 8: 4 (6.0) : Bare Nuclei <= 8: : :...Clump Thickness <= 9: 2 (1.0) : Clump Thickness > 9: 4 (1.0) Uniformity of Cell Size > 4: :...Clump Thickness > 6: 4 (106.0) Clump Thickness <= 6: :...Marginal Adhesion <= 1: :...Bland Chromatin <= 3: 2 (2.0) : Bland Chromatin > 3: 4 (2.0) Marginal Adhesion > 1: :...Uniformity of Cell Shape > 7: 4 (31.0) Uniformity of Cell Shape <= 7: :...Mitoses > 1: 4 (13.0) Mitoses <= 1: :...Single Epithelial Cell Size <= 4: 4 (11.0) Single Epithelial Cell Size > 4: :...Clump Thickness > 5: :...Normal Nucleoli <= 8: 2 (2.0) : Normal Nucleoli > 8: 4 (1.0) Clump Thickness <= 5: :...Normal Nucleoli <= 8: 4 (7.0) Normal Nucleoli > 8: :...Clump Thickness <= 4: 2 (1.0) Clump Thickness > 4: 4 (1.0) Evaluation on training data (699 cases): Decision Tree Size Errors ( 0.0%) << (a) (b) <-classified as (a): class 2 241 (b): class 4 Time: 0.1 secs

26 Genetics Data 1. Title of Database: Primate splice-junction gene sequences (DNA) with associated imperfect domain theory 2. Sources: (a) Creators: - all examples taken from Genbank 64.1 (ftp site: genbank.bio.net) - categories "ei" and "ie" include every "split-gene" for primates in Genbank 64.1 - non-splice examples taken from sequences known not to include a splicing site (b) Donor: G. Towell, M. Noordewier, and J. Shavlik, (c) Date received: 1/1/92 4. Relevant Information Paragraph: Problem Description: Splice junctions are points on a DNA sequence at which `superfluous' DNA is removed during the process of protein creation in higher organisms. The problem posed in this dataset is to recognize, given a sequence of DNA, the boundaries between exons (the parts of the DNA sequence retained after splicing) and introns (the parts of the DNA sequence that are spliced out). This problem consists of two subtasks: recognizing exon/intron boundaries (referred to as EI sites), and recognizing intron/exon boundaries (IE sites). (In the biological community, IE borders are referred to a ``acceptors'' while EI borders are referred to as ``donors''.) Attributes predicted: given a position in the middle of a window 60 DNA sequence elements (called "nucleotides" or "base-pairs"), decide if this is a a) "intron -> exon" boundary (ie) [These are sometimes called "donors"] b) "exon -> intron" boundary (ei) [These are sometimes called "acceptors"] c) neither (n) Results of study indicated that machine learning techniques (neural networks, nearest neighbor, contributors' KBANN system) performed as well/better than classification based on canonical pattern matching (method used in biological literature). 5. Number of Instances: 3190 6. Number of Attributes: 62 -- class (one of n, ei, ie) -- instance name -- 60 sequential DNA nucleotide positions 7. Attribute information: Attribute #: Description: ============ ============ 1 One of {n ei ie}, indicating the class. 2 The instance name. The remaining 60 fields are the sequence, starting at position -30 and ending at position +30. Each of these fields is almost always filled by one of {a, g, t, c}. Other characters indicate ambiguity among the standard characters according to the following table: character meaning D A or G or T N A or G or C or T S C or G R A or G 8. Missing Attribute Values: none 9. Class Distribution: EI: (25%) IE: (25%) Neither: (50%)

27 Genetics Data C,C,A,G,C,T,G,C,A,T,C,A,C,A,G,G,A,G,G,C,C,A,G,C,G,A,G,C,A,G,G,T,C,T,G,T,T,C,C,A,A,G,G,G,C,C,T,T,C,G,A,G,C,C,A,G,T,C,T,G,EI A,G,A,C,C,C,G,C,C,G,G,G,A,G,G,C,G,G,A,G,G,A,C,C,T,G,C,A,G,G,G,T,G,A,G,C,C,C,C,A,C,C,G,C,C,C,C,T,C,C,G,T,G,C,C,C,C,C,G,C,EI G,A,G,G,T,G,A,A,G,G,A,C,G,T,C,C,T,T,C,C,C,C,A,G,G,A,G,C,C,G,G,T,G,A,G,A,A,G,C,G,C,A,G,T,C,G,G,G,G,G,C,A,C,G,G,G,G,A,T,G,EI ...

28 Genetics Data Read 3190 cases (60 attributes) Decision tree:
A29 = N: EI (1.0) A29 in {D,S,R}: N (0.0) A29 = C: :...A30 = A: N (125.0/1.0) : A30 = T: N (133.0) : A30 = C: N (118.0) : A30 in {N,D,S,R}: N (0.0) : A30 = G: : :...A31 = A: N (7.0) : A31 = G: N (13.0) : A31 = C: N (13.0) : A31 in {N,D,S,R}: N (0.0) : A31 = T: : :...A34 = A: N (1.0) : A34 = T: N (3.0) : A34 = G: EI (26.0/3.0) : A34 = C: N (3.0) : A34 in {N,D,S,R}: EI (0.0) A29 = T: :...A34 = A: N (106.0) : A34 = T: N (116.0) : A34 = C: N (94.0/1.0) : A34 in {N,D,S,R}: N (0.0) : A34 = G: : :...A30 = A: N (13.0) : A30 = T: N (19.0) : A30 = C: N (22.0) : A30 in {N,D,S,R}: N (0.0) : A30 = G: : :...A31 = A: N (8.0) : A31 = G: N (6.0) : A31 = C: N (6.0) : A31 in {N,D,S,R}: EI (0.0) : A31 = T: : :...A33 = A: EI (52.0) : A33 = T: N (2.0) : A33 = G: N (3.0/1.0) : A33 = C: EI (4.0/1.0) : A33 in {N,D,S,R}: EI (0.0) A29 = A: :...A31 = A: N (118.0/1.0) : A31 = G: N (97.0/1.0) : A31 = C: N (102.0) : A31 in {N,D,S,R}: N (0.0) : A31 = T: : :...A30 = A: N (23.0) : A30 = T: N (24.0) : A30 = C: N (28.0) : A30 in {N,D,S,R}: N (0.0) : A30 = G: : :...A34 = A: N (6.0/1.0) : A34 = T: N (5.0/1.0) : A34 = C: N (8.0) : A34 in {N,D,S,R}: EI (0.0) : A34 = G: : :...A33 = A: EI (55.0/1.0) : A33 = G: N (1.0) : A33 = C: N (1.0) : A33 in {N,D,S,R}: EI (0.0) : A33 = T: : :...A28 = A: EI (4.0) : A28 in {T,C,N,D,S,R}: EI (0.0) : A28 = G: N (2.0) A29 = G: :...A28 in {N,D,S,R}: IE (0.0) (restante da árvore foi omitido) Evaluation on training data (3190 cases): Decision Tree Size Errors ( 3.7%) << (a) (b) (c) <-classified as (a): class N (b): class EI (c): class IE Time: 0.7 secs

29 Relação entre Tamanho da Hipótese e Erro
Teste Treinamento N1 N2 N3 Tamanho da Hipótese

30 GDM: Genome Data Mining
Tradicionalmente Dados são armazenados em arquivos É possível que um resumo desses dados sejam colocados em uma base de dados que permita extrair alguns relatórios ou realizar consultas de uma forma limitada GDM Todas as informações serão mantidas em um modelo relacional de forma integrada Aplicação de algoritmos de Aprendizado de Máquina como uma ferramenta de apoio à decisão a consultas relacionadas a modelos biológicos

31 Composição Biblioteca Área de Trabalho
Dados consolidados oriundos de diversos bancos de dados disponíveis na Internet Dados gerados e consolidados localmente (projetos locais) Área de Trabalho Dados gerados e ainda não consolidados (projetos locais)

32 Alguns Bancos de Dados considerados no GDM
UniGene OMIM LocusLink HomoloGene Sage GenBank SWISS-PROT GenPept PIR-Protein PROSITE Restriction Enzymes Pfam GB_New GP_New

33 Quais DB a serem consultados?
Dado um gene: qual método utilizado para mapeá-lo? quais seus homólogos? qual a função de sua proteína? a que superfamília pertence? Domínio funcional? quais as doenças associadas? quais referências biblográficas sobre esse gene? E referências cruzadas? quais tags associados?

34 Quais DB a serem consultados?
Dado um gene: qual método utilizado para mapeá-lo? (OMIM) quais seus homólogos? (HomoloGene) qual a função de sua proteína? a que superfamília pertence? Domínio funcional? (PIR, SwissProt, GenPept, Pfam) quais as doenças associadas? (OMIN, SwissProt) quais referências biblográficas sobre esse gene? E referências cruzadas? (OMIN, PIR, SwissProt) quais tags associados? (Sage)

35 PIR: Protein Information Resource
ENTRY Beginning-of-Entry TITLE ALTERNATE_NAMES CONTAINS ORGANISM #formal_name ... #common_name DATE #sequence_revision ... #text_change ACCESSIONS REFERENCE <Ref_num> REFERENCE BLOCK (repeated) #authors #journal | #book | #submission | #citation #title | #description #cross-references #contents #note #accession ACCESSION BLOCK (repeated) ##status ##molecule_type ##residues ##label ##cross-references ##genetics ##note COMMENT COMMENTS (repeated) GENETICS GENETICS BLOCK (repeated) #gene #map_position #genome #genetic_code #start_codon #introns #note CLASSIFICATION #superfamily KEYWORDS FEATURE SUMMARY #length ... #moleculer-weight ... #checksum SEQUENCE ///

36 SwissProt ID GRAA_HUMAN STANDARD; PRT; AA. AC P12544; DT 01-OCT-1989 (Rel. 12, Created) DT 01-OCT-1989 (Rel. 12, Last sequence update) DT 16-OCT-2001 (Rel. 40, Last annotation update) DE Granzyme A precursor (EC ) (Cytotoxic T-lymphocyte proteinase DE 1) (Hanukkah factor) (H factor) (HF) (Granzyme 1) (CTL tryptase) DE (Fragmentin 1). GN GZMA OR CTLA3 OR HFSP. OS Homo sapiens (Human). OC Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; OC Mammalia; Eutheria; Primates; Catarrhini; Hominidae; Homo. OX NCBI_TaxID=9606; RN [1] RP SEQUENCE FROM N.A. RC TISSUE=T-cell; RX MEDLINE= ; PubMed= ; RA Gershenfeld H.K., Hershberger R.J., Shows T.B., Weissman I.L.; RT "Cloning and chromosomal assignment of a human cDNA encoding a T ... CC -!- FUNCTION: THIS ENZYME IS NECESSARY FOR TARGET CELL LYSIS IN CELL- CC MEDIATED IMMUNE RESPONSES. IT CLEAVES AFTER LYS OR ARG. MAY BE CC INVOLVED IN APOPTOSIS. CC -!- CATALYTIC ACTIVITY: HYDROLYSIS OF PROTEINS, INCLUDING FIBRONECTIN, CC TYPE IV COLLAGEN AND NUCLEOLIN. PREFERENTIAL CLEAVAGE: ARG-|-XAA, CC LYS-|-XAA >> PHE-|-XAA IN SMALL MOLECULE SUBSTRATES. CC -!- SUBUNIT: HOMODIMER; DISULFIDE-LINKED. CC -!- SUBCELLULAR LOCATION: CYTOPLASMIC GRANULES. CC -!- SIMILARITY: BELONGS TO PEPTIDASE FAMILY S1; ALSO KNOWN AS THE CC TRYPSIN FAMILY. STRONGEST TO OTHER GRANZYMES AND TO MAST CELL CC PROTEASES. DR EMBL; M18737; AAA ; -. DR PIR; A28943; A DR PIR; A30525; A DR PIR; A30526; A DR PIR; A31372; A DR PDB; 1HF1; 15-OCT-94. DR MEROPS; S01.135; -. DR MIM; ; -. DR InterPro; IPR001254; Trypsin. DR Pfam; PF00089; trypsin; 1. DR SMART; SM00020; Tryp_SPc; 1. DR PROSITE; PS50240; TRYPSIN_DOM; 1. DR PROSITE; PS00134; TRYPSIN_HIS; 1. DR PROSITE; PS00135; TRYPSIN_SER; 1. KW Hydrolase; Serine protease; Zymogen; Signal; T-cell; Cytolysis; KW Apoptosis; 3D-structure. FT SIGNAL FT PROPEP ACTIVATION PEPTIDE. FT CHAIN GRANZYME A. FT ACT_SITE CHARGE RELAY SYSTEM (BY SIMILARITY). FT ACT_SITE CHARGE RELAY SYSTEM (BY SIMILARITY). FT ACT_SITE CHARGE RELAY SYSTEM (BY SIMILARITY). FT DISULFID BY SIMILARITY. FT DISULFID BY SIMILARITY. FT DISULFID BY SIMILARITY. FT DISULFID BY SIMILARITY

37 GDM: Genome Data Mining
Definir uma estrutura capaz de manter as informações não só para consultas e relatórios mais simples pelo grupo de pesquisa, mas também atue como uma ferramenta de apoio à decisão a consultas relacionadas a modelos biológicos Todas as informações serão mantidas em um modelo relacional de forma integrada Abordagem nova que proporcionará aos usuários um alto nível de automatização interligando dados genômicos de diferentes fontes

38 GDM DB locais DB externos conversões ligações UniGene Projeto 1
PIR Projeto 3 Sage conversões ligações DB externos DB locais

39

40 Contato José Augusto Baranauskas augusto@fmrp.usp.br
Departamento de Física e Matemática – DFM Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto – FFCLRP Universidade de São Paulo – USP