|
Softwares:
|
|
jAGN: A Java-based model for artificial gene networks generation
jAGN is a Java based application specially designed to offer you a model
generation through theoretical models of complex networks,
which is used to simulate temporal expression data,
which can be used by computational methods to recover the network topology,
and then, analyse the results based on complex networks measurements/topology.
|
|
DimReduction: Interactive Graphic Environment for Dimensionality Reduction
DimReduction is an easy to use, java based application designed to provide a graphical environment for
bioinformatics problems that supports many feature selection algorithms,
pattern recognition techniques, criterion functions and graphic visualization tools.
|
|
Vídere 2: Uma plataforma de jogos para a estimulação visual
O Vídere 2 é uma plataforma de jogos para a estimulação visual.
É comum, por exemplo, uma pessoa despertar o interesse em aprender/treinar uma língua estrangeira através de um jogo.
O mesmo pode acontecer no treinamento da visão.
Essa é uma área interessante de se explorar, pois utiliza recursos de multimídia (textos, sons, imagens, animações) que fixam a atenção do usuário no jogo.
O objetivo é produzir um ambiente controlado em que a criança jogue um mini-jogo e o software consiga analisar dados desse jogador e consiga, assim, apresentar relatórios estatísticos.
|
|
Publicações:
|
|
Vicente, Fábio F. R.; Lopes, Fabrício M.; Hashimoto, Ronaldo F.; Cesar-Jr, Roberto M.
Assessing the gain of biological data integration in gene networks inference.
BMC Genomics, v. 13, Suppl 6, p. S7, 2012.
|
|
Mendoza, Mariana R. ; Lopes, Fabrício M. ; Bazzan, Ana L. C.
Reverse Engineering of GRNs: an Evolutionary Approach Based on the Tsallis Entropy.
In: 14th annual conference companion on Genetic and evolutionary computation -
GECCO '12, 2012, Philadelphia, USA.
|
|
Louzada, Vitor H. P.; Lopes, Fabrício M.; Hashimoto, Ronaldo F.
A Monte Carlo Approach to Measure the Robustness of Boolean Networks.
In: 1st International Workshop on Robustness and Stability of Biological Systems and Computational Solutions
WRSBS /
ACM Conference on Bioinformatics, Computational Biology and Biomedicine
ACM-BCB, 2012, Orlando, USA.
|
|
Lopes, Fabrício M.; Cesar-Jr, Roberto M.; Costa, Luciano da F.
Gene expression complex networks: synthesis, identification and analysis.
Journal of Computational Biology, v. 18, p. 1353-1367, 2011.
Software disponível em:
http://code.google.com/p/jagn/.
|
|
Lopes, Fabrício M.; de Oliveira, Evaldo A.; Cesar-Jr, Roberto M.
Inference of gene regulatory networks from time series by Tsallis entropy.
BMC Systems Biology, v. 5, p. 61, 2011.
|
|
Lopes, Fabrício M.
Redes complexas de expressão gênica: síntese, identificação, análise e aplicações.
Tese de Doutorado (Menção Honrosa no Prêmio Tese Destaque USP),
Programa Interunidades de Pós-Graduação em Bioinformática - Universidade de São Paulo (USP)
, 2011, 110pp.
Orientador: Prof. Dr. Roberto Marcondes Cesar Jr e
Co-orientadora: Profa. Dra. Marie-Anne Van Sluys.
|
|
Pinto, Silvia C. D.; Mena-Chalco, Jesús P.; Lopes, Fabrício M.; Velho, Luiz; Cesar-Jr, Roberto M.
3D Facial expression analysis by using 2D and 3D wavelet transforms.
In: 18th IEEE International Conference on Image Processing -
ICIP, 2011, Bruxelas, Bélgica.
|
|
Vicente, Fábio F. R.; Lopes, Fabrício M.; Hashimoto, Ronaldo F.
Improvement of GNs inference through biological data integration.
In: 9th IEEE International Workshop on Genomic Signal Processing and Statistics -
GENSIPS, 2011, San Antonio, TX, USA.
|
|
Louzada, Vitor H. P.; Lopes, Fabrício M.; Hashimoto, Ronaldo F.
The effect of certain Boolean functions in stability of networks with varying topology.
In: 9th IEEE International Workshop on Genomic Signal Processing and Statistics -
GENSIPS, 2011, San Antonio, TX, USA.
|
|
Lopes, Fabrício M.; Martins-Jr, David C.; Barrera, Junior; Cesar-Jr, Roberto M.
SFFS-MR: a floating search strategy for GRNs inference.
In: 5th IAPR International Conference on Pattern Recognition in Bioinformatics -
PRIB, 2010, Nijmegen, Holanda.
|
|
Lopes, Fabrício M.; de Oliveira, Evaldo A.; Cesar-Jr, Roberto M.
Analysis of the GRNs inference by using Tsallis entropy and a feature selection approach.
In: 14th Iberoamerican Congress on Pattern Recognition -
CIARP, 2009, Guadalajara, JA, México.
|
|
Lopes, Fabrício M.; Martins-Jr, David C.; Cesar-Jr, Roberto M.
Comparative study of GRNs inference methods based on feature selection by mutual information.
In: 7th IEEE International Workshop on Genomic Signal Processing and Statistics -
GENSIPS, 2009, Minneapolis, MN, USA.
|
|
Lopes, Fabrício M.; Martins-Jr, David C.; Cesar-Jr, Roberto M.
Feature selection environment for genomic applications.
BMC Bioinformatics, v. 9, p. 451, 2008.
Software Disponível em:
http://code.google.com/p/dimreduction/ e
http://sourceforge.net/projects/dimreduction/.
|
|
Lopes, Fabrício M.; Cesar-Jr, Roberto M.; Costa, Luciano da F.
AGN Simulation and Validation Model.
In: 3rd Brazilian Symposium on Bioinformatics -
BSB, 2008, Santo André, SP, Brasil.
|
|
Lopes, Fabrício M.; Martins-Jr, David C.; Cesar-Jr, Roberto M.
DimReduction - Interactive Graphic Environment for Dimensionality Reduction.
Relatório Técnico, 2008.
|
|
Lopes, Fabrício M.; Consularo, Luís A.
A RBFN Perceptive Model for Image Thresholding.
In: 18th Brazilian Symposium on Computer Graphics and Image Processing -
SIBGRAPI, 2005, Natal, RN, Brasil.
|
|
Rodrigues, Graziela C. V. P.; Lopes, Fabrício M.
Vídere - Jogos para Estimulação Visual.
Aceito no
Workshop de Jogos Digitais na Educação, evento integrante ao
SBIE, 2005, Juiz de Fora, MG, Brasil.
Este trabalho foi selecionado para ser apresentado no
I Seminário Nacional: Educação, Tecnologia e Profissionalização para Pessoas com Necessidades
Educacionais Especiais, promovido pelo MEC/TEC NEP no período de 13 a 16 de dezembro em Brasília-DF.
|
|
Silva, Alberto L.; Lopes, Fabrício M.; Consularo, Luís A.
A Framework for Automatic Cephalometric Landmarking.
Apresentado no
SIBGRAPI'04. Curitiba-PR, Brasil, 2004.
|
|
Lopes, Fabrício M.
Um Modelo Perceptivo de Limiarização de Imagens Digitais.
Dissertação de Mestrado,
Departamento de Informática - UFPR e
Departamento de Informática - UEM
, 2003, 115pp.
Orientador: Prof. Dr. Luís Augusto Consularo.
|
|
Lopes, Fabrício M.; Consularo, Luís A.
Automatic Gray Level Thresholding based on Relevant Features for Subjective Decisions.
In: Proceedings of
SIBGRAPI'02. Fortaleza-CE, Brasil, 2002. p411.
|
|
Lopes, Fabrício M.; Consularo, Luís A.
Modelo Thin-Plate Spline de Limiarização de Imagens.
Anais do IV
FITEM
- Fórum de Informática e Tecnologia de Maringá, 2002, Maringá-PR.
|
|
|
Áreas de Interesse:
|
|
Bioinformática
|
Reconhecimento de Padrões
|
Processamento de Imagens
|
Visão Computacional
|
|
Links relacionados:
|
|
Bioinformática-USP
|
DNA From The Beginning
|
|
Internet Brain Segmentation Repository
|
Creative Vision Research Group (Prof. Roberto M. Cesar Jr.)
|
|
Image processing and interpretation
|
Prof. Hélio Pedrini
|
|
Image Processing Fundamentals
|
The Computer Vision Homepage (School of Computer Cience - Carnegie Mellon University)
|
|
Vision Science
|
Pattern Recognition on the Web (Prof. Godfried T. Toussaint)
|
|
UCI Machine Learning Repository
|
UCI Machine Learning Repository
|
|
|
Projetos:
|
|
Redes gênicas artificiais:
No contexto biológico, as células podem ser vistas como redes de moléculas conectadas por reações químicas.
O desenvolvimento de técnicas massivas para coleta de dados, como microarrays de cDNA e SAGE, permitem a
verificação simultânea dos estados dos genes em múltiplos instantes de tempo. Uma questão importante na
biologia computacional é como os genes são regulados e como eles interagem por meio de redes gênicas.
Alguns métodos computacionais já foram desenvolvidos para identificar essas redes a partir de dados de
expressão gênica [1-4]. No entanto, existe uma questão importante continua em aberto: como validar tais
redes recuperadas? Este trabalho apresenta uma nova abordagem para validar redes identificadas por métodos
computacionais, considerando três aspectos principais: (1) geração de redes gênicas artificiais (AGN);
(2) métodos computacionais para identificação de redes gênicas; (3) validação das redes identificadas.
A geração das AGNs é baseada em modelos de redes complexas [5-7], gerando topologias de redes com propriedades
distintas e bem definidas. Nessa topologia, os nós representam genes e as arestas representam funções de mapeamento
entre o nó origem (gene preditor) e o nó destino (gene alvo). Para cada gene alvo é construída uma tabela de regras
que define a simulação da expressão dinâmica desse gene, i.e. aplicando essas tabelas a um conjunto inicial de valores
dos genes são gerados dados simulados de expressão temporal.
Esses dados simulados de expressão são usados para a identificação de redes por métodos computacionais [1-4],
gerando redes gênicas recuperadas. Com objetivo quantificar a similaridade e características entre a rede recuperada
e a AGN são usadas medidas de redes complexas [7].
Esse projeto está em fase inicial de desenvolvimento, no entanto os resultados obtidos se mostraram muito promissores [8,9].
Referências:
1. Barrera, J.; Cesar-Jr, R. M.; Martins-Jr, D. C.; et al.
Constructing probabilistic genetic networks of Plasmodium falciparum from dynamical expression signals of the intraerythrocytic development cycle.
In: Methods of Microarray Data Analysis V. Springer-Verlag (2006).
2. Liang, S.; Fuhrman, S.; Somogyi, R.
Reveal: a general reverse engineering algorithm for inference of genetic network architectures.
In Pacific Symposium on Biocomputing (1998) 18-29.
3. Shmulevich, I.; et al.
Probabilistic boolean networks: a rule-based uncertainty model for gene regulatory networks.
Bioinformatics 18(2) (2002) 261-274.
4. Hashimoto, R. F.; Kim, S.; Shmulevich, I.; Zhang, W.; Bittner, M. L.; Dougherty, E. R.
Growing Genetic Regulatory Networks from Seed Genes.
Bioinformatics (Oxford), Grã-Bretanha, v. 20, n. 8, p. 1241-1247, 2004.
5. Albert, R.; Barabási, A. L.
Statistical mechanics of complex networks.
Rev. Mod. Phys. 74(1) (2002) 47-97.
6. Newman, M. E. J.
The structure and function of complex networks.
SIAM Review 45(2) (2003) 167-256.
7. Costa, L. F.; Rodrigues, F. A.; et al.
Characterization of complex networks: a survey of measurements.
Advances in Physics 56(1) (2007) 167-242.
8. Lopes, F. M.; Cesar-Jr, R. M.; Costa, L. F.
AGN Simulation and Validation Model.
Advances in Bioinformatics and Computational Biology, Third Brazilian Symposium on Bioinformatics, Volume 5167 of LNBI, Springer 2008:169-173.
9. Lopes, F. M.; Martins-Jr, D. C.; Cesar-Jr, R. M.
Comparative study of GRN's inference methods based on feature selection by mutual information.
IEEE International Workshop on Genomic Signal Processing and Statistics - GENSIPS, 2009, Minneapolis.
Redução de Dimensionalidade:
A seleção de características é uma abordagem de reconhecimento de padrões [1-4], usada para encontrar variáveis
importantes de acordo com alguma função critério [5-8], com objetivo de distinguir ou explicar algum fenômeno.
Existem muitas aplicações de genômica e proteômica que depende de seleção de características para responder
questões como selecionar genes que sejam informativos sobre algum estado biológico, por exemplo, tecidos normais
e vários tipos de câncer, ou inferir a predição de redes de interação entre elementos como genes, proteínas e
estímulos externos. Nessas aplicações um problema recorrente é a falta de amostras para estimar adequadamente a
probabilidade conjunta entre os estados desses elementos. Vários algoritmos de seleção de características e funções
critério foram propostas, no entanto é uma tarefa difícil apontar a melhor solução para cada aplicação.
O objetivo desse projeto [9,10] é o desenvolvimento de um software de código livre (open-source) com ambiente gráfico e multiplataforma
(Windows, Linux, Mac, etc.) e que disponibilize vários algoritmos de seleção de características, funções critério e ferramentas de
visualização gráficas com scatterplots, coordenadas paralelas e grafos. Também é objetivo desse projeto a aplicação de algoritmos de
seleção de características em problemas como o crescimento de redes gênicas a partir de genes sementes (alvos ou preditores).
Esse projeto está em fase intermediária de desenvolvimento, sendo que os experimentos realizados se mostraram eficientes em dois tipos
de problemas biológicos: (1) seleção de características aplicada à classificação biológica de câncer nos seios; (2) identificação de
redes gênicas artificiais [11, 12].
Esse projeto se mostra como um ambiente que pode ser usado em diferentes tarefas de reconhecimento de padrões, embora o objetivo principal
esteja em problemas relacionados à bioinformática.
Referências:
1. Theodoridis, S.; Koutroumbas, K.
Pattern Recognition.
USA: Academic Press, 1st edition 1999.
2. Duda, R. O.; Hart, P. E.; Stork, D. G.
Pattern Classification.
NY: Wiley-Interscience, 2nd edition 2000.
3. Jain, A. K.; Duin, R. P.; Mao, J.
Statistical Pattern Recognition: A Review.
IEEE Transactions on Pattern Analysis and Machine Intelligence 2000, 22:4-37.
4. Guyon, I.; Elisseeff, A.
An introduction to variable and feature selection.
Journal of Machine Learning Research 2003, 3:1157-1182.
5. Shannon, C. E.
A mathematical theory of communication.
Bell System Technical Journal 1948, 27:379-423, 623-656.
6. Tsallis, C.
Nonextensive Statistical Mechanics and its Applications.
Lecture Notes in Physics, Berlin: Springer 2001.
7. Hsing, T.; Liu, L.; Brun, M.; Dougherty, E. R.
The coefficient of intrinsic dependence (feature selection using el CID).
Pattern Recognition 2005, 38(5):623-636.
8. Martins-Jr, D. C.; Cesar-Jr, R. M.; Barrera, J.
W-operator window design by minimization of mean conditional entropy.
Pattern Analysis & Applications 2006, 9:139-153.
9. Lopes, F. M.; Martins-Jr, D. C.; Cesar-Jr, R. M.
DimReduction - Interactive Graphic Environment for Dimensionality Reduction.
Relatório Técnico, Instituto de Matemática e Estatística da Universidade de São Paulo e Universidade Tecnológica Federal do Paraná, 2008.
10. Lopes, F. M.; Martins-Jr, D. C.; Cesar-Jr, R. M.
Feature selection environment for genomic applications,
BMC Bioinformatics 9 (2008), no. 451.
11. Barrera, J.; Cesar-Jr, R. M.; Martins-Jr, D. C.; et al.
Constructing probabilistic genetic networks of Plasmodium falciparum from dynamical expression signals of the intraerythrocytic development cycle.
In: Methods of Microarray Data Analysis V. Springer-Verlag (2006).
12. Lopes, F. M.; Cesar-Jr, R. M.; Costa, L. F.
AGN Simulation and Validation Model.
Advances in Bioinformatics and Computational Biology, Third Brazilian Symposium on Bioinformatics, Volume 5167 of LNBI, Springer 2008:169-173.
|
|
|
