apresentacao

(1)

neurais artificiais

Universidade Federal de Lavras

Departamento de Ciência da Computação

Orientado: Rilson Machado de Oliveira

Orientador: Thiago de Souza Rodrigues

(2)

• Introdução

– Motivação

– Proteínas

– Estruturas de Proteínas

– Redes Neurais Artificiais

• Objetivo

• Metodologia

• Resultados

• Conclusões

(3)

Introdução - Motivação

• O processo para catalogar as estruturas das

proteínas em laboratório ainda é considerado

financeiramente pouco viável.

• Busca-se utilizar a computação para fazer com

que esse processo seja financeiramente viável

mantendo os resultados confiáveis;

(4)

Introdução - Proteínas

• São os componentes básicos de todo

organismo desempenhando funções variadas;

• Ter o conhecimento dessas funções é de

grande utilidade, pois com essas informações

pode-se diagnosticar doenças, descobrir curas,

desenvolver novos medicamentos, entre outras

inúmeras utilidades.

(5)

Introdução - Proteínas

A função de uma proteína é determinada por

sua estrutura tridimensional, e esta pela

natureza e seqüência de seus aminoácidos

constituintes.

(6)

Introdução - Proteínas

• Aminoácidos são compostos orgânicos que

possuem uma estrutura básica comum,

consiste de um carbono central, o qual

possui quatro ligantes diferentes, um grupo

carboxila (COOH), um grupo amino (NH2) e

um radical R também chamado cadeia

lateral do aminoácido.

(7)

(8)

Introdução - Proteínas

• Funções das proteínas

• Catalisadoras

• Transportadoras

• Contráteis ou de movimento

• Estruturais

(9)

Introdução – Estruturas de Proteínas

(10)

Introdução – Estruturas de Proteínas

(11)

Introdução – Estruturas de Proteínas

(12)

Introdução – Redes Neurais Artificiais

RNAs

• Definição: “são sistemas paralelos distribuídos

compostos por unidades de processamento

simples chamados neurônios artificiais”;

• Dentre suas funções pode-se destacar a

classificações de padrões;

(13)

Introdução – Redes Neurais Artificiais

• O modelo de neurônio artificial apresenta:

entradas, pesos, unidade de processamento e

saída.

(14)

Objetivo

• Este trabalho objetiva prever a estrutura

secundária da proteína através de sua estrutura

primária utilizando RNAs como preditor;

(15)

Metodologia

• Obtenção dos dados.

• O banco de dados público de proteínas

Protein Data Bank, PDB, foi utilizado para a

obtenção dos dados.

(16)

(17)

• A rede deverá ser modelada da seguinte

maneira:

• Subseqüências extraídas da estrutura

primária serão as entradas da rede.

• As

estruturas

secundárias

destas

subseqüências servirão como um vetor de

valores esperados para a rede.

• Deve-se selecionar uma topologia, o

algoritmo de treinamento e os ajustes dos

parâmetros da rede.

(18)

• Foi utilizado o Matlab 6.0 para a realização

do treinamento e teste das RNAs;

(19)

Resuldados

• Filtragem

A filtragem foi realizada obtendo subseqüências

com tamanho de 10 aminoácidos.

• Codificação

A codificação dos dados adotada foi por fator de

hidrofobicidade.

Para realização da filtragem e da codificação, foram

desenvolvidos softwares na linguagem Java.

(20)

Resultados

• Dos dados obtidos, cerca de 70 % deles foram

separados para o treinamento, e os outros

30% foram separados para validação da rede.

Estrutura

Para 70% dos

dados

Para 30% dos

dados

Alfa-Helice

29794

12770

Folha-Beta

20286

8694

Coil

13313

5706

(21)

Resultados

• Várias topologias de redes Multi layer

perceptron foram testadas;

• Assim como vários algoritmos de treinamento

disponíveis no toolbox do MatLab 6.0;

(22)

Resultados

• A rede treinada que obteve melhor desempenho

foi:

– Backpropagation com taxa de aprendizado

adaptativa;

– Taxa de momentum;

– Funções de ativação tangente hiperbólica

sigmoidal nas camadas intermediárias e de

saída, respectivamente;

(23)

Resultados

• 10 neurônios camada de entrada

• 55 neurônios camada intermediária

• 3 neurônios camada de saída

(24)

Resultados

• Com o treinamento a rede obteve uma taxa de

acertos totais de 78.1%, sendo que para Alfa-Helices

a taxa foi de 89%, para folha-Beta a taxa foi de 77 % e

de Coil a taxa foi de 68.3 %

Estrutura

Performance (%)

Alfa-Helice

89 Folha-Beta

77 Coil

68.3

(25)

Resultados

ID

método

ano

performance (%)

1 cadeias de markov

2006

70.3

2 estatístico

1998

72.9

3 rede neural

2005

73.5

4 logica fuzzy

2005

75.75

5 support vector machine

2001

76.2

6 estatístico

2002

76.5

7 support vector machine

2007

77

8 rede neural

2008

78.1

9 rede neural

2004

79

10 rede neural

2000

80

11 rede neural

2006

80

12 estatístico

2005

80.7-81.7

13 rede neural

2005

81.8

(26)

Conclusões

• A falta de informações detalhadas na

literatura sobre o processo de construção dos

preditores não permitiu uma avaliação

conclusiva sobre os resultados encontrados;

• A complexidade do problema o torna difícil de

se tratar, ficando evidente pelo baixo nível de

exatidão dos resultados.

(27)

Trabalhos Futuros

• Utilizar RNAs independentes para os três tipos

de estruturas a fim de tentar melhorar a taxa

de generalização;

• Realizar o treinamento das RNAs por novos

algoritmos de treinamento como o algoritmo

de treinamento Multi-Objetivo.

(28)