A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – DFM.

Apresentações semelhantes


Apresentação em tema: "Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – DFM."— 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

2 2 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Coleta de Dados Pessoas são naturalmente observadoras

3 3 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Coleta de Dados Geralmente observamos processos que ocorrem na natureza ou criados pelo homem e tentamos compreendê-los

4 4 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 5 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Armazenamento de Dados Memória humanaPapéis ou fichasArquivos texto ou planilhas DBMS Data Marting ou Data Warehousing

6 6 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 7 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 8 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 9 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Hierarquia do Aprendizado Aprendizado não Supervisionado RegressãoClassificação Aprendizado Indutivo Aprendizado Supervisionado

10 10 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Hierarquia do Aprendizado Aprendizado não Supervisionado RegressãoClassificação Aprendizado Indutivo Aprendizado Supervisionado Efetuado a partir de exemplos externos (coletados)

11 11 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Hierarquia do Aprendizado Aprendizado não Supervisionado RegressãoClassificação Aprendizado Indutivo Aprendizado Supervisionado Exemplos estão rotulados (classe é conhecida)

12 12 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Hierarquia do Aprendizado Aprendizado não Supervisionado RegressãoClassificação Aprendizado Indutivo Aprendizado Supervisionado A classe é discreta

13 13 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 14 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Dados Brutos Especificação do Problema Conhecimento do Domínio Conhecimento do Domínio Indutor Especialista Avaliação Classificador Processo de Aprendizado Exemplos

15 15 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Dados Brutos Especificação do Problema Conhecimento do Domínio Conhecimento do Domínio Indutor Especialista Avaliação Classificador Processo de Aprendizado Exemplos CD pode ser usado para fornecer informação já conhecida ao indutor CD pode ser usado ao selecionar os dados

16 16 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Dados Brutos Especificação do Problema Conhecimento do Domínio Conhecimento do Domínio Indutor Especialista Avaliação Classificador Processo de Aprendizado Exemplos O classificador gerado é avaliado e o processo pode ser repetido

17 17 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Dados Brutos Especificação do Problema Conhecimento do Domínio Conhecimento do Domínio Indutor Especialista Avaliação Classificador Processo de Aprendizado Exemplos Classificador deve fornecer uma descrição compacta do conceito existente nos dados

18 18 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Processo de Classificação de Novos Exemplos Dados Brutos Especificação do Problema Conhecimento do Domínio Conhecimento do Domínio Indutor Especialista Avaliação Classificador Exemplos Classificar Novos Exemplos Exemplos Não Rotulados (sem classe) Exemplos Rotulados (com classe)

19 19 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 20 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 21 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Exemplo: Árvore de Decisão Patient´s temperature 37 no yes > 37 healthysick noyes healthy sick Has patient pain? Is patient feeling good? Is patient feeling good = yes : healthy Is patient feeling good = no : :...Has patient pain = no : :...Patients temperature <= 37: healthy : Patients temperature > 37: sick Has patient pain = yes : sick

22 22 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 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: 699 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 Sample code number id number 2. Clump Thickness Uniformity of Cell Size Uniformity of Cell Shape Marginal Adhesion Single Epithelial Cell Size Bare Nuclei Bland Chromatin Normal Nucleoli Mitoses 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 23 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Winconsin Breast Cancer Data 7. Attribute Information: (class attribute has been moved to last column) # Attribute Domain Sample code number id number 2. Clump Thickness Uniformity of Cell Size Uniformity of Cell Shape Marginal Adhesion Single Epithelial Cell Size Bare Nuclei Bland Chromatin Normal Nucleoli Mitoses Class: (2 for benign, 4 for malignant) ,5,1,1,1,2,1,3,1,1, ,5,4,4,5,7,10,3,2,1, ,3,1,1,1,2,2,3,1,1, ,6,8,8,1,3,4,3,7,1, ,4,1,1,3,2,1,3,1,1, ,8,10,10,8,7,10,9,7,1, ,1,1,1,1,2,10,3,1,1, ,2,1,2,1,2,1,3,1,1, ,2,1,1,1,2,1,1,1,5, ,4,2,1,1,2,1,2,1,1, ,1,1,1,1,1,1,3,1,1, ,2,1,1,1,2,1,2,1,1, ,5,3,3,3,2,3,4,4,1,4...

24 24 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 16 11( 1.6%) << (a) (b)<-classified as (a): class (b): class 4 Time: 0.2 secs

25 25 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 38 0( 0.0%) << (a) (b)<-classified as (a): class 2 241(b): class 4 Time: 0.1 secs

26 26 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 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: Number of Attributes: class (one of n, ei, ie) -- instance name 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: 767 (25%) IE: 768 (25%) Neither: 1655 (50%)

27 27 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 28 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 29 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Tamanho da Hipótese Erro N1N2N3 Teste Treinamento Relação entre Tamanho da Hipótese e Erro

30 30 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 31 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Composição Biblioteca 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 32 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 33 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 34 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 35 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP PIR: Protein Information Resource ENTRY Beginning-of-Entry TITLE ALTERNATE_NAMES CONTAINS ORGANISM #formal_name... #common_name... DATE #sequence_revision... #text_change... ACCESSIONS REFERENCE 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 36 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP SwissProt ID GRAA_HUMAN STANDARD; PRT; 262 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 1 26 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 37 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP 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 38 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP UniGene PIR Sage GDM DB externos Projeto 1 DB locais Projeto 2 Projeto 3 conversões ligações

39 39 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP

40 40 CBAB 2003 Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – FFCLRP - USP Contato José Augusto Baranauskas Departamento de Física e Matemática – DFM Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto – FFCLRP Universidade de São Paulo – USP


Carregar ppt "Aprendizado de Máquina Simbólico José Augusto Baranauskas Departamento de Física e Matemática – DFM."

Apresentações semelhantes


Anúncios Google