Atividade Orientada de Ensino - Inteligência Artificial

Abstract

O problema de inferência de redes de regulação gênica na Bioinformática é considerado um problema inverso mal posto, ou seja, existem várias soluções possíveis (redes) que podem explicar um conjunto de dados observado. Sendo assim, não existe um algoritmo que é o melhor em todos os sentidos; cada um tem suas vantagens e desvantagens dependendo do caso estudado. Com isso, podemos observar a necessidade de desenvolver diferentes metodologias para resolver esse tipo de problema.

Os algoritmos para inferência de redes de regulação gênica são basicamente utilizados para entender as interações entre os genes a partir de dados disponibilizados por biólogos, químicos, bioquímicos, médicos, entre outros. Portanto, uma grande motivação para se estudar tal problema é a capacidade do mesmo de gerar hipóteses que possam ser verificadas por esses profissionais. Tais hipóteses podem levar a um melhor entendimento acerca dos próprios genes e do comportamento dos organismos de modo geral.

Neste contexto, o conceito de Deep Learning se apresenta como uma evolução desta capacidade dos computadores de aprender e realizar tarefas de forma mais eficiente, trazendo algoritmos que analisam dados com uma estrutura lógica similar ao pensamento humano. Para atingir tal comportamento, as aplicações de Deep Learning utilizam uma estrutura de algoritmos em camadas chamada de rede neural artificial (artificial neural network, ou ANN). A ideia por trás dessa rede neural artificial é fortemente inspirada pela rede de neurônios que temos em nosso cérebro, levando a um processo de aprendizado muito mais capaz do que os modelos de Machine Learning. Neste trabalho, estudamos um artigo em que Redes Neurais Convolucionais (CNNs) são utilizadas para abordar o problema de inferência de redes de regulação gênica.