Comparação e alinhamento de. sequências
|
|
- Eduardo Rijo
- 5 Há anos
- Visualizações:
Transcrição
1 Comparação e alinhamento de sequências
2 Comparar sequências A comparação de sequências de proteínas ou DNA/RNA é uma ferramenta essencial na procura da existência de relações de semelhança entre o todo ou parte dessas sequências, e na avaliação da sua proximidade Alinhamento e comparação são problemas que podem ser expressos de forma matemática e para os quais existem algoritmos robustos ; No entanto: A parametrização do problema deverá reflectir o nosso conhecimento biológico (Escolha das funções de score, gap penalties e outros parâmetros que afectam as soluções oferecidas pelos algoritmos
3 Comparar sequências não é trivial (a) Sequências muito aparentadas (b) Sequências aparentadas (c) Sequências NÃO aparentadas
4 Homologia vs. semelhança Os termos homologia, semelhança e identidade têm significados distintos no contexto da análise de sequências biológicas: Homologia: descreve um parentesco evolutivo entre duas sequências que poderão corresponder a proteínas de funções homologas em diferentes organismos (exemplo: citocromo c humano e citocromo c bovino). Semelhança: descreve o grau de parecença entre duas sequências, independentemente do seu contexto ou significado biológico. É quantificada através de um método matemático de alinhamento e depende da escolha do scoring scheme. Identidade: fala-se normalmente em percentagem de identidade entre duas sequências, sendo definida como a razão entre o número total de resíduos idênticos e o número total de resíduos do alinhamento.
5 Comparar sequências: dot plots Um dot plot é um modo de comparação de duas sequências baseado na construção de uma matriz de N linhas e M colunas, em que N e M são os comprimentos das duas sequências a comparar. Sequência 2 Sequência 1
6 Exemplo de dot plot Identidade das duas sequências
7
8 window size (11) Uma linha de pontos indica regiões similares Esquema de scoring (1 p/ posições iguais, 0 p/ posições diferentes) a =9 A T G C A T G C ACCTGCCGATTCCATATTACGCATGCTTCTGGGTTACCGTTCAGGGCATTTTACATGTGCTG ATGCTTCTGGG ACCTGCCCTGTCCAGCTTACATGCATGCTTATAGGGGCATTTTACATATGCTTATAGG
9 Comparações usando dot plots Detecção de correspondências exactas entre regiões 1) Escolher um esquema de score A T G C A T G C e um tamanho de janela Para cada par de janelas, calcular o score usando a matriz, e no caso do score máximo (11) ser atingido: ATGCTTATAGG a ATGCTTATAGG = =9 X ATGCTTCTGGG Marcar um ponto Não marcar um ponto ATGCTTCTGGG Neste caso o score de cut-off usado foi 11, mas podia ser um valor mais baixo
10 Uso de dot plots para detecção de regiões repetidas numa sequência
11
12 Uso de dot plots para detecção de regiões repetidas numa sequência
13 Problema da comparação de strings Consideremos as duas sequências de caracteres: GAATTCAGTTA GGATCGA Pretendemos alinha-las de modo a obter um score máximo na comparação
14 O que se entende por alinhar? Alinhar é estabelecer uma correspondência entre as duas sequências, o que pode ser feito inserindo espaços: GAATTCAGTTA GGATCGA G-GATCGA G--GATCGA G-G--ATCGA G-G--AT--CGA
15 O que se entende por score? Um score é um número que é associado a cada alinhamento possível, e que pode ser definido de várias maneiras Exemplo: associar um valor de 1 a cada posição idêntica nas duas sequências, e 0 a posições diferentes A T G C GAATTCAGTTA G-G-ATCGA GGATCGA G-GATCGA G-G--AT--CGA GGA-TC-G--A Score=2 Score=4 Score=3 Score=1 Score=6 A T G C Alinhamento Matriz de score
16 Como achar o score máximo? Podíamos tentar experimentar TODOS alinhamentos possíveis, e escolher aquele que produzisse o score máximo?... NÃO! Para o caso apresentado, existem cerca de 2 20 alinhamentos, o que é mais de UM MILHÃO de possibilidades! Para duas sequências de 250 caracteres temos cerca de alinhamentos, um número computacionalmente inatingível! Felizmente existem algoritmos que permitem achar o alinhamento óptimo, ou seja aquela que maximiza o score, sem ter que pesquisar exaustivamente todos os alinhamentos possíveis
17 Alinhamento global vs. local Alinhamento global: as sequências A e B são comparadas na totalidade do seu comprimento, sendo as diferenças de comprimento da sequência compensadas com gaps (inserções) Alinhamento local: consiste na identificação de regiões isoladas de elevada similaridade entre as duas sequências, independentemente do seu contexto.
18 Algoritmo de Needleman-Wunsch Needleman, S.B & Wunsch, C.D (1970) J.Mol.Biol. 48:443 É um algoritmo de programação dinâmica capaz de encontrar o alinhamento global óptimo de duas sequências Como ponto de partida necessitamos apenas de uma matriz com o score de alinhamento para cada par de aminoácidos (ou bases) e uma gap penalty (score de penalização para criação de um espaço na sequência) Este algoritmo fornece apenas o alinhamento óptimo, não permitindo identificar outros alinhamentos com scores próximos do óptimo e que poderão ser biologicamente relevantes (alinhamentos sub-optimais).
19 Algoritmo de Needleman-Wunsch Exemplo: pretende-se alinhar as sequências GVTAH eavtli A matriz de score usada vai ser a BLOSUM62 A inserção de um gap no alinhamento tem um score negativo, -1 Matriz Blosum 52
20 Algoritmo de Needleman-Wunsch 1) Construção da matriz de alinhamento d G V T A H d A V T L I
21 Algoritmo de Needleman-Wunsch 2) Inserção dos valores da gap penalty d G V T A H d A -1 V -2 T -3 L -4 I -5 Neste caso a gap penalty tem valor -1
22 Algoritmo de Needleman-Wunsch 3) Preenchimento da tabela, da esquerda para a direita e de cima para baixo, de acordo com seguinte regra: H ( i 1, j 1) (, 1) H i j H ( i 1, j ) (, ) H i j H ( i 1, j 1) + S ( i, j ) H ( i, j ) = max H ( i 1, j ) + S (, i ) H ( i, j 1) + S ( i, ) S(i,j) é o score da matriz de score (BLOSUM 52 neste caso), e S(-,j) e S(i, -) scores para inserção de um gap horizonal ou vertical d G V T A H d G V T A H A V A V T L I T L I Scores da matrix Blosum 50 Cada célula mantém a informação da proveniência do valor anterior (setas)
23 Algoritmo de Needleman-Wunsch 4) Traçar o caminho desde o canto inferior direito, seguindo as setas. Cada movimento horizontal ou vertical corresponde a uma gap na sequência respectiva. d G V T A H d A V T L I G V T A H A V T L I Score: 7 Alinhamento óptimo
24 Alinhamento local: algoritmo de Smith-Waterman Smith, T.F. & Waterman, M.S (1981) J.Mol.Biol. 147: O algoritmo de Smith-Waterman é uma versão modificada de N-W que permite encontrar o alinhamento local óptimo entre duas sequências. 0 H ( i 1, j 1) + S ( i, j ) H ( i, j ) = max H ( i 1, j ) + S (, i ) H ( i, j 1) + S ( i, ) Se o valor calculado partir das células anteriores for <0, é substituído pelo valor zero e o alinhamento termina nesse ponto. O alinhamento local inicia-se na célula de valor mais alto da matriz de alinhamento.
25 Alinhamento local: algoritmo de Smith-Waterman Para que este algoritmo funcione, é necessário que o score esperado para um alinhamento aleatório seja negativo, e que existam valores positivos na matriz de comparação
26 Importância do alinhamento local Muitas proteínas apresentam uma estrutura modular, tendo regiões com proveniências evolutivas distintas e relacionadas com diferentes famílias. A comparação local de duas sequências permite mais facilmente reconhecer estas regiões, mesmo quando na sua globalidade as sequências são largamente discrepantes. Exemplo:
27 Matrizes de score As matrizes de score, ou matrizes de substituição, permitem obter um score para cada par de aminoácidos comparados. Os valores destas matrizes reflectem as diferentes tendências que os aminoácidos têm de ser substituídos por outros. Existem diferentes tipos de matrizes de score, baseados em diferentes análises e diferentes pressupostos sobre os mecanismos de substituição O processo de inserção (criação de gaps) é geralmente tratado separadamente. Os dois tipos de matrizes mais usados são: Matrizes PAM: baseadas na comparação, por alinhamento global, de famílias de sequências muito próximas Matrizes BLOSUM: baseadas no alinhamento de regiões de elevada similaridade (blocos) entre diferentes grupos de proteínas.
28 Matrizes PAM Matriz PAM 256 As matrizes PAM são geradas a partir das frequências de substituição para sequências muito próximas (%id > 85%) e depois extrapoladas para sequências mais distantes Assume-se que a probabilidade de substituição numa posição é independentes das substituições anteriores e dos resíduos circundantes As matrizes PAM deverão ser escolhidas de acordo com o grau de proximidade esperado entre as sequências. Exemplo: PAM400 - para sequências distantes PAM10 - para sequências próximas 1 PAM = 1 Point Accepted Mutation per 100 aminoacids PAM250 20% de identidade entre as sequências
29 XXXXXXXXXXXXXAXXXXXXXXXXXXXX Score=1 XXXXXXXXXXXXXGXXXXXXXXXXXXXX Score=0 XXXXXXXXXXXXXEXXXXXXXXXXXXXX Tempo XXXXXXXXXXXXXAXXXXXXXXXXXXXX Pouco provável Score=-6 XXXXXXXXXXXXXWXXXXXXXXXXXXXX Reversão
30
31 % de identidade mínima para conseguir produzir um alinhamento Distância PAM versus % de identidade % identidade Unidades PAM
32
33
34 Matrizes BLOSUM Matriz BLOSUM62 As matrizes BLOSUM são construídas a partir da alinhamentos locais sem gaps de regiões de elevada similaridade Estes alinhamentos (blocos) estão organizados numa base de dados chamada BLOCKS O número da matriz BLOSUM indica qual a percentagem de identidade mínima usada para distinguir sequências dentro de um grupo Quanto mais baixo o valor, maior a diversidade incorporada na criação da matriz Exemplo: BLOSUM90 - para sequências próximas BLOSUM20 - para sequências afastadas
35 Exemplo de entrada na base de dados BLOCKS
36 PAM40 PAM160 PAM250 Matriz BLOSUM90 BLOSUM80 BLOSUM62 BLOSUM30 Utilização Alinhamentos curtos, elevada similaridade Detecção de membros de uma família Alinhamentos de sequências distantes Alinhamentos curtos, elevada similaridade Detecção de membros de uma família Eficaz na detecção de possíveis similaridades Alinhamentos longos, sequências distantes % identidade ~ <30 Baxevanis,A.&Ouelette Bioinformatics: a practical guide to analysis of genes and proteins (3rd Edition), Wiley & Sons Inc., 2005
37 Matrizes de probabilidades de transição para nucleótidos Transições: A G, C T Transversões: A T, G T A C, G C Frequências de mutação uniformes (1 PAM) Transições mais frequentes (3x) que transversões A T G C A T G C A 0.99 A 0.99 T T G G C C
38 Matrizes de score para nucleótidos (log odds) S ij = log(p i M ij / p i p j ) S ij = log odds score M ij = score da matriz de transição p i, p j = probabilidades de ocorrência dos nucleótidos Frequências de mutação uniformes (1 PAM) A T G C A 2 T -6 2 G C Transições mais frequentes (3x) que transversões A T G C A 2 T -5 2 G C
39 Gap penalties A produção de gaps durante um alinhamento de sequências tem que ser penalizada com um score negativo, caso contrário observar-se-ia um número elevado de inserções sem qualquer significado biológico. Existem diferentes esquemas de gap penalty: Constante: o tipo mais simples, consistem a atribuir uma penalização constante cada vez que é criado um gap num alinhamento Linear: a penalização é proporcional ao comprimento total dos gaps criados no alinhamento, não dependendo do seu número Afim (affine gap penalties): as penalizações possuem um termo constante para cada gap criado, e um termo proporcional ao comprimento do gap criado.
40 Affine gap penalties Uma representação mais realista do processo de evolução das proteínas deveria penalizar de modo diferente a criação e a extensão de um gap. Para entender este facto, devemos considerar que os alinhamentos entre sequências tem tendência a conter poucos gaps, mas quase sempre com vários resíduos de comprimento. Se atribuirmos uma penalidade c para a criação de um gap e uma penalidade e para a sua extensão, temos: gp = c + n x e, em que n é o comprimento do gap. Não existe uma teoria rigorosa para a escolha de valores para este parâmetros! Valores usuais: c = -10, e = -2 (FASTA) c = -5-10, e = -1, -2 (BLAST) c = -12, -2 (Smith-Waterman) O valor óptimo das gap penalties depende da matriz de score usada! Reese, JT & Pearson, WR (2002) Bioinformatics, 18:
41 Alinhamentos sup-óptimos: o programa LALIGN f f12 Neste caso o alinhamento 1 é o alinhamento local óptimo, e os alinhamentos 2 e 3 são alinhamentos subóptimos identificados pelo programa LALIGN Muitas vezes a análise de alinhamentos sub-óptimos permite a identificação de regiões de similaridade entre duas sequências, não imediatamente reconhecíveis num alinhamento óptimo
42 Alinhamento múltiplo de sequências
43 Importância do alinhamento múltiplo de sequências Os alinhamentos múltiplos de sequências são uma ferramenta central para a inferência da função das proteínas por comparação das suas sequências Os alinhamentos múltiplos são o ponto de partida para a previsão da estrutura secundária e identificação dos resíduos importantes para a especificidade Os alinhamentos múltiplos são a base dos métodos de pesquisa de sequências mais sensíveis de que dispomos (ex.: PSI-Blast) Os alinhamentos múltiplos são ainda o ponto de partida para a construção de árvores filogenéticas e determinação das relações evolutivas entre organismos Os alinhamentos múltiplos são uma forma conveniente de anotar as características estruturais e funcionais comuns a uma família de proteinas.
44 O alinhamento múltiplo aumenta a precisão do alinhamento simples Comparação da precisão de alinhaments de pares de sequências quando produzidos de forma isolada ou fazendo parte de um alinhamento múltiplo. Pode ver-se que na maior dos casos a precisão obtida com o alinhamento múltiplo é superior (valores acima da diagonal). (A precisão é avaliada através da comparação com alinhamentos estruturais) Precisão do alinhhamento múltiplo (%) Precisão do alinhhamento simples (%)
45 Alinhamento múltiplo de sequências. O que é? Um alinhamento múltiplo de sequências é simplesmente uma extensão do alinhamento de pares de sequências para um conjunto igual ou superior a 3 É o estabelecimento de correspondências entre resíduos de diferentes sequências A determinação do alinhamento múltiplo óptimo de um conjunto de sequências não é um problema trivial e só pode ser resolvido para um pequeno número de sequências A geração de alinhamentos múltiplos é normalmente feita com recurso a métodos heurísticos que não garantem a solução óptima
46 Exemplo de alinhamento múltiplo Alinhamento de membros da família das proteínas ribossomais L10P de diversos organismos
47 Alinhamento múltiplo: métodos Os métodos para a produção de alinhamentos de 3 ou mais sequências podem ser divididas em várias categorias: Extensão dos métodos óptimos para N sequências: o algoritmo de N-W pode ser estendido para 3 ou mais sequências, mas exige o uso de matrizes multi-dimensionais e torna-se muito pesado computacionalmente (exp.: MSA) Métodos progressivos (ou hierárquicos) : baseiam-se na aplicação sucessiva de métodos óptimos a todos os pares de sequências, depois a pares de pares, etc., através de uma estrutura em árvore. São os métodos mais usados. (Exp: Clustalw, t-coffee) Métodos iterativos: geral um alinhamento global inicial de todas as sequências, que é refinado em passos sucessivos (SAGA, DIALIGN) Métodos de segmentos: comparação de janelas de comprimento fixo nas várias sequências (p.exp.: MACAW)
48 Programação dinâmica a N dimensões A extensão directo dos algoritmos de Needleman-Wunsch ou Smith- Waterman para N sequências torna-se impraticável computacionalmente: o alinhamento óptimo é agora um caminho num cubo a N dimensões. Se tivermos N sequências de comprimento L, a matriz terá L N células Exemplo: 10 sequências de comprimento = células! Matriz para o alinhamento múltiplo de 3 sequências (a seta vermelha representa o caminho óptimo na matriz)
49 Algoritmo de Carrillo-Lipman-Gupta Este método é uma simplificação que reduz o espaço de busca e permite encontrar um alinhamento próximo do óptimo. O método começa por definir intervalos para o alinhamento de cada par de sequências, e usa este intervalos para definir um volume de busca dentro do hipercubo. Implementado no programa MSA - demasiado pesado para ser usado com mais de sequências com ~100 aminoácidos. Não existem servidores de acesso livre para este programa. Volume de busca Alinhamento heurístico Alinhamento óptimo Os alinhamentos produzidos têm baixa probabilidade de ser óptimos!
50 Cálculo do score num alinhamento múltiplo: o método SP (sum of pairs)
51 Métodos de alinhamento progressivo Os métodos de alinhamento progressivo usam o algoritmo de programação dinâmica calcular distâncias entre pares de sequênicas. As distâncias são usadas para construir uma árvore que serve de guia para criação do alinhamento múltiplo.
52 Software para alinhamento múltiplo progressivo CLUSTALW: Um dos softwares mais usados, existe também como um programa que pode ser instalado e executado no PC. T-COFFEE: Mais rigoroso, mas mais lento que CLUSTALW, usa uma combinação de vários métodos, incluindo a geração de alinhamentos de pares sub-óptimos com o programa LALIGN.
53 CLUSTALW
54 Exemplo de alinhamento com CLUSTALW
55 T-Coffee
56 Métodos iterativos alinhamento Os métodos de alinhamento progressivo têm como principal problema a propagação dos erros nos alinhamentos iniciais para o alinhamento final. Os métodos iterativos obviam esta situação através de repetidos passos de alinhamento global, com vista à optimização do score (por exemplo SP). DIALIGN: pesquisa de alinhamentos locais sem gaps em pares de sequências, pesados para o cálculo e optimização do alinhamento final. PRRP/PRRN: refinamento iterativo de um alinhamento progressivo com construção de árvore e uso de pesos no alinhamento de pares. SAGA: método iterativo baseado num algoritmo genético. Não está disponível na forma de serviço on-line. É bastante pesado computacionalmente.
57 Alinhamento iterativo com PRRP/PRRN
58 Inferências estruturais e funcionais a partir de alinhamentos múltiplos de sequências Centro activo Estrutura secundária Estrutura secundária loop Alinhamento de sequências da tioredoxina
59 Relação entre alinhamento de sequências e estrutura
60 Protocolo de alinhamentos múltiplos 1. Encontrar as sequências a alinhar, através de pesquisas em bases de dados ou por outra via 2. Definir as regiões de cada sequência a incluir no alinhamento (não tentar alinhar regiões demasiado diferentes!) 3. Avaliar o grau de semelhança das sequências através dos alinhamentos de pares 4. Começar por alinhar as sequências mais semelhantes, adicionar em seguida as mais distantes 5. Inspeccionar o alinhamento obtido, procurando problemas: regiões com demasiados gaps, baixa conservação, conflito com outras fontes de informação (p.exp. localização do centro activo). Corrigir manualmente com um editor de alinhamento (p.exp. Seaview ou Jalview) 6. Remover as sequências que destroem o alinhamento, re-alinhar as restantes 7. Usar os resíduos-chave conservados no sub-alinhamento como guia para a adição de novas sequências
61 Perfis Um perfil é uma descrição do padrão subjacente a um alinhamento múltiplo e reflecte a probabilidade de ocorrência de cada tipo de resíduo numa dada posição. Tem várias aplicações: Permite uma maior precisão no alinhamento de sequências distantes da mesma família Os padrões emergentes são úteis para a classificação de sub-famílias dentro de um conjunto de sequências homólogas. O alinhamento de uma sequência a um perfil é geralmente mais fiável e melhora o processo de modelação estrutural por homologia Os perfis permite pesquisas de elevada sensibilidade para a detecção de parentes distantes de uma dada família de proteínas O alinhamento de uma sequência a um perfil é condicionado pela sua natureza e pelo seu grau de conservação. Assim, resíduos altamente conservados no perfil terão um score mais alto, e resíduos pouco conservados um score mais baixo. Este processo impõe uma tendência para alinhar em primeiro lugar as zonas mais conservadas.
62 Geração de perfis a partir de alinhamentos múltiplos
63 Sequence logos: identificação visual de padrões conservados em alinhamento múltiplos
64 Motivos Padrões de sequência primária característicos de locais de reconhecimento ou de famílias de proteínas. Associados a aspectos funcionais e estruturais. Exemplos (usando o formato PROSITE): site de fosforilação das proteínas cinases: [RK](2)-x-[ST] local de glicosilação: S-G-x-G Zipper de leucina: L-x(6)-L-x(6)-L-x(6)-L Família das proteases de serina, histidina do centro activo: [LIVM]-[ST]-A-[STAG]-H-C Local de γ-carboxilação dependente da vitamina-k: x(12)-e-x(3)-e-x-c-x(6)-[den]-x-[livmfy]-x(9)-[fyw]
65
66 Exemplo de entrada na base PROSITE (motivo)
67 Exemplo de entrada na base PROSITE (perfil)
68 PSSM: position specific scoring matrix PSSM s são matrizes de scoring que atribuem scores aos aminoácidos de acordo com a posição dentro de uma determinada sequência ou motivo. As matrizes de score PAM ou BLOSUM, por outro lado, atribuem sempre o mesmo score ao alinhamento de cada par de aminoácidos independentemente do contexto. Uma PSSM é outra forma de definir um perfil posições dentro da sequência aminoácidos Valores da PSSM em log odds = log 2 [P(observado)/P(esperado)]
69 Bases de dados de motivos e domínios PROSITE PRINTS PFAM PRODOM SMART Pesquisa em múltiplas bases de dados: INTERPRO
Comparação e alinhamento de sequências
Comparação e alinhamento de sequências Comparar sequências A comparação de sequências de proteínas ou DNA/RNA é uma ferramenta essencial na procura da existência de relações de semelhança entre o todo
Leia maisPrincipais algoritmos de alinhamento de sequências genéticas. Alexandre dos Santos Cristino
Principais algoritmos de alinhamento de sequências genéticas Alexandre dos Santos Cristino http://www.ime.usp.br/~alexsc e-mail: alexsc@ime.usp.br Definição de alinhamento de sequências Comparação de duas
Leia maisAnálise de significância de. alinhamentos
Análise de significância de alinhamentos Análise de significância de um alinhamento Tão importante como escolher o método de scoring ou encontrar o alinhamento que maximiza o score é saber avaliar a significância
Leia maisAlinhamento de seqüências
Alinhamento de seqüências Qual a importância do alinhamento de seqüências Permite estabelecer identidades entre sequências Permite a dedução de função de proteínas baseado em similaridade Permite a definição
Leia maisalinhamento global-alinhamento múltiplo de seqüências
alinhamento global-alinhamento múltiplo de seqüências Alinhamento múltiplos de seqüências Qual a importância de se realizar alinhamentos múltiplos em oposição a alinhamentos em pares? Alinhamento múltiplos
Leia maisAlinhamentos de Múltiplas Seqüências. Rogério T. Brito Orientador: José A. R. Soares
1 Alinhamentos de Múltiplas Seqüências Rogério T. Brito Orientador: José A. R. Soares 2 Motivação Problema em Biologia: saber qual é o grau de parentesco entre um conjunto de espécies (construção de árvores
Leia maisAlinhamento de Sequências e Genômica Comparativa
Encontro França-Brasil de Bioinformática Universidade Estadual de Santa Cruz (UESC) Ilhéus-BA - Brasil Alinhamento de Sequências e Genômica Comparativa Maria Emília M. T. Walter Departamento de Ciência
Leia maisTópicos Especiais em Inteligência Artificial COS746. Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro
Tópicos Especiais em Inteligência Artificial COS746 Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro Agradecimento Copiado dos slides de Mark Craven para BMI/CS 576, UW-Madison
Leia maisALINHAMENTO DE SEQUÊNCIAS
Disciplina de BIOLOGIA COMPUTACIONAL Mestrado em ENGENHARIA BIOMÉDICA 4º Ano, 1º Semestre 2007/08 ALINHAMENTO DE SEQUÊNCIAS Relatório 2 Ana Calhau Ângela Pisco Nuno Santos 54605 55748 55746 Palavras-Chave:
Leia maisAlinhamentos e Busca de Similaridade. Ariane Machado Lima
Alinhamentos e Busca de Similaridade Ariane Machado Lima Busca de identidade Identificar o que é determinada seqüência Ex.acabou de seqüenciar, seria contaminante? Outras fases de um projeto de seqüenciamento
Leia maisAlinhamento de sequências
Pontifícia Universidade Católica de Goiás Departamento de Biologia Alinhamento de sequências Prof. Macks Wendhell Gonçalves, Msc mackswendhell@gmail.com Definição O alinhamento de sequências consiste no
Leia maisPAULO EDUARDO BRANDÃO, PhD DEPARTAMENTO DE MEDICINA VETERINÁRIA PREVENTIVA E SAÚDE ANIMAL FACULDADE DE MEDICINA VETERINÁRIA E ZOOTECNIA UNIVERSIDADE
CONCEITOS EM EPIDEMIOLOGIA E FILOGENIA MOLECULARES PAULO EDUARDO BRANDÃO, PhD DEPARTAMENTO DE MEDICINA VETERINÁRIA PREVENTIVA E SAÚDE ANIMAL FACULDADE DE MEDICINA VETERINÁRIA E ZOOTECNIA UNIVERSIDADE DE
Leia maisAlinhamentos de sequências e Busca de Similaridade
Alinhamentos de sequências e Busca de Similaridade Ariane Machado Lima ariane.machado@usp.br Escola de Artes, Ciências e Humanidades - USP Contexto http://www.ekac.org/gene.html http://www.fuzzco.com/news/wp-content/uploads/27//genome.jpg
Leia maisMétodos de alinhamento de sequências biológicas. Marcelo Falsarella Carazzolle
Métodos de alinhamento de sequências biológicas Marcelo Falsarella Carazzolle Resumo - Introdução - Alinhamentos ótimos - Global - Local (Smith-Waterman) - Semi global - Matrizes de alinhamento (BLOSUM)
Leia maisCap. 6: Métodos para alinhamento de múltiplas seqüências
Cap. 6: Métodos para alinhamento de múltiplas seqüências Organização O que é um alinhamento múltiplo Escores para alinhamentos múltiplos Relação entre alinhamento múltiplo e análise filogenética Métodos
Leia maisTITULO: Implementação do alinhamento de proteínas em GPU utilizando OpenCL PROPOSTA DE TRABALHO DE GRADUAÇÃO
1 U NIVERSIDADE FEDERAL DE PERNAMBUCO GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA 2 0 1 6. 1 TITULO: Implementação do alinhamento de proteínas em GPU utilizando OpenCL PROPOSTA DE TRABALHO
Leia maisTópicos Especiais em Inteligência Artificial COS746. Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro
Tópicos Especiais em Inteligência Artificial COS746 Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro Agradecimento Copiado dos slides de Mark Craven/C. David Page para BMI/CS 576,
Leia maisTópicos Especiais em Inteligência Artificial COS746. Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro
Tópicos Especiais em Inteligência Artificial COS746 Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro Agradecimento Copiado dos slides de Mark Craven/C. David Page para BMI/CS 576,
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisProtein Homology detection by HMM-comparation.
UNIVERSIDADE FEDERAL DE PERNAMBUCO Cin Centro de Informática Pós-Graduação em Ciência da Computação Protein Homology detection by HMM-comparation. Johannes Soding Vol. 21 no. 7 2005, BIOINFORMATICS Recife,
Leia maisAlinhamento local- Utilização do BLAST
Alinhamento local- Utilização do BLAST BLAST Tipos de BLAST (blastn) Compara nucleotídeos (blastp) Compara proteínas Utiliza nucleotídeo como query, este é traduzido nos seus 6 quadros de leitura e é comparado
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisAlgoritmos 3/17/ Algoritmos como área de estudo e investigação
Algoritmos e Complexidade Ana Teresa Freitas INESC-ID/IST ID/IST 3/17/2005 1 O que é um algoritmo? Algoritmos: Sequência de instruções necessárias para a resolução de um problema bem formulado [passíveis
Leia maisProgramas de Alinhamento. Sumário
Programas de Alinhamento Departamento de Genética FMRP- USP Alynne Oya Chiromatzo alynne@lgmb.fmrp.usp.br Sumário Introdução para buscas em base de dados Fasta Blast Programa para alinhamento Clustal 1
Leia maisAprendizado de Máquina
Aprendizado de Máquina Template Matching Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net October 25, 2012 Luiz S. Oliveira (UFPR) Aprendizado
Leia maisMODELOS PROBABILÍSTICOS
Disciplina de BIOLOGIA COMPUTACIONAL Mestrado em ENGENHARIA BIOMÉDICA 4º Ano, 1º Semestre 2007/08 MODELOS PROBABILÍSTICOS Relatório 4 Ana Calhau Ângela Pisco Nuno Santos 54605 55748 55746 Palavras-Chave:
Leia maisIACB 1º Semestre de 2014/2015. Exercicios de Preparação para o Teste 1
IACB 1º Semestre de 2014/2015 Exercicios de Preparação para o Teste 1 Introdução (0 ou 1 questão no teste 1) 1. O que é a BioInformática? Resposta: Bioinformática é um campo interdisciplinar que aplica
Leia maisGrafos - Introdução. Pedro Ribeiro 2014/2015 DCC/FCUP. Pedro Ribeiro (DCC/FCUP) Grafos - Introdução 2014/ / 32
Grafos - Introdução Pedro Ribeiro DCC/FCUP 2014/2015 Pedro Ribeiro (DCC/FCUP) Grafos - Introdução 2014/2015 1 / 32 Conceito Definição de Grafo Formalmente, um grafo é: Um conjunto de nós/vértices (V).
Leia maisDados Moleculares x Morfológicos
Evolução Molecular Dados Moleculares x Morfológicos Hereditários Descrição não ambígua Mais fácil estabelecer homologia Permite comparações de espécies distantes Abundantes Fatores ambientais Diferenças
Leia maisResumo - capítulo 3 - Alinhamento de pares de sequências
Resumo - capítulo 3 - Alinhamento de pares de sequências Pedro Ivo Gomes de Faria Sumário 1 Introdução 3 1.1 Definição de alinhamento de sequências............. 3 1.1.1 Alinhamento global....................
Leia maisCapítulo 8. Versão 0.4. Filogenômica
Capítulo 8 Versão 0.4 Filogenômica O termo "Filogenômica" é definido de várias maneiras, mas, em geral, a definição é relacionada com a intersecção dos campos da Genômica e da evolução biológica. Aqui,
Leia maisGene de um organismo Eukariota. Intrões. Codão STOP UTR 5 3. Codão ATG. Exões. Transcrição. 5 Cap 3 poly-a. Splicing. Proteína 3/17/2005 3
lgoritmos para a Detecção de Promotores otores em Sequências de DN na eresa Freitas INES-ID/IS ID/IS 3/17/5 1 omo analisar todos estes dados? 3/17/5 1 ene de um organismo Eukariota SS Região promotora
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisDados Moleculares x Morfológicos
Evolução Molecular Dados Moleculares x Morfológicos Hereditários Descrição não ambígua Mais fácil estabelecer homologia Permite comparações de espécies distantes Abundantes Fatores ambientais Diferenças
Leia maisDEFINIÇÕES EM EPIDEMIOLOGIA MOLECULAR E CONCEITOS BÁSICOS EM BIOLOGIA MOLECULAR
DEFINIÇÕES EM E DEFINIÇÕES EM E CONCEITOS BÁSICOS EM BIOLOGIA PARA QUE SERVE ESTA AULA 1. DEFINIÇÕES EM CONCEITUAÇÃO DE DIFERENCIAÇÃO ENTRE, TAXONOMIA E FILOGENIA 2. CONCEITOS EM BIOLOGIA APRESENTAR (REVER)
Leia mais2284-ELE/5, 3316-IE/3
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem Supervisionada 2 Os vários algoritmos de Aprendizagem
Leia maisBioinformática. João Varela Aulas T7-T8 CURSOS EM BIOLOGIA, BIOQUÍMICA, BIOTECNOLOGIA, E ENGENHARIA BIOLÓGICA
Bioinformática CURSOS EM BIOLOGIA, BIOQUÍMICA, BIOTECNOLOGIA, E ENGENHARIA BIOLÓGICA João Varela jvarela@ualg.pt Aulas T7-T8 Esquema de anotação Annothaton 1. Determinar a localização das ORFs presentes
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisTécnicas para Comparação e Visualização de Similaridades entre Seqüências Genéticas
Técnicas para Comparação e Visualização de Similaridades entre Seqüências Genéticas Felipe Fernandes Albrecht (FURB/DSC) albrecht@inf.furb.br Resumo. Este artigo apresentará técnicas para comparação e
Leia maisIDENTIFICAÇÃO ESTRUTURAL EM REDES DE PROTEÍNAS
IDENTIFICAÇÃO ESTRUTURAL EM REDES DE PROTEÍNAS Tópicos Especiais em Redes Complexas II Professor: Daniel Ratton Figueiredo Aluno: Vitor Borges Coutinho da Silva Artigos Comparative Analysis of Protein
Leia maisUtilização de Métodos de Cálculo Numérico em Aerodinâmica
Cálculo Numérico em Erro vs Incerteza - Um erro define-se como a diferença entre uma determinada solução e a verdade ou solução exacta. Tem um sinal e requer o conhecimento da solução exacta ou verdade
Leia maisAlinhamento de Seqüências Biológicas
O que se cmpara? Alinhament de Seqüências Bilógicas A cmparaçã de seqüências de DNA, RNA e prteínas é uma das bases da biinfrmática. Citsina Uracila Timina Prfª Drª Silvana Giuliatti Departament de Genética
Leia maisTELEVISÃO DIGITAL LEEC 2006/2007
TELEVISÃO DIGITAL LEEC 2006/2007 DETECÇÃO DE CONTORNOS GRUPO 6: Hugo Miguel Rodrigues Gonçalves Dinis Guedes Afonso ee01171 ee01148 Introdução Este trabalho tem como objectivo a implementação de métodos
Leia maisDistorções Dinâmicas no Tempo & Pesquisa. Distorção dinâmica no tempo Pesquisa Algoritmos gráficos de pesquisa Algoritmos de programação dinâmica
Distorções Dinâmicas no Tempo & Pesquisa Distorção dinâmica no tempo Pesquisa Algoritmos gráficos de pesquisa Algoritmos de programação dinâmica 1 Casamento de Template Baseado em Palavra Medida de Característica
Leia maisIdentificação de genes por similaridade de seqüência
Identificação de genes por similaridade de seqüência Evolução do genoma Os genes evoluem a partir de genes ancestrais comuns acumulando mutações Homologia Genes ancestrais estão presentes nas espécies
Leia maisAnálise e Síntese de Algoritmos. Programação Dinâmica CLRS, Cap. 15
Análise e Síntese de Algoritmos Programação Dinâmica CLRS, Cap. 15 Contexto Revisões [CLRS, Cap. 1-10] Algoritmos em Grafos [CLRS, Cap. 22-26] Algoritmos elementares Árvores abrangentes Caminhos mais curtos
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisCIC 111 Análise e Projeto de Algoritmos II
CIC 111 Análise e Projeto de Algoritmos II Prof. Roberto Affonso da Costa Junior Universidade Federal de Itajubá AULA 27 Square root algorithms Combining algorithms Integer partitions Mo s algorithm Square
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisBioinformática. iphy Sistema de Apoio à filógenética para a análise de supermatrizes. Trabalho realizado por: João Pedro Teixeira
Bioinformática iphy Sistema de Apoio à filógenética para a análise de supermatrizes Trabalho realizado por: João Pedro Teixeira 1 Bioinformática Objectivo do trabalho Análise de um artigo sobre um software
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisProf. MSc. David Roza José 1/35
1/35 Métodos Iterativos Objetivos: Compreender a diferença entre os métodos de Gauss-Seidel e Jacobi; Saber analisar a dominância diagonal e entender o quê significa; Reconhecer como a relaxação pode ser
Leia maisESCOLA SECUNDÁRIA DE LOUSADA
ESCOLA SECUNDÁRIA DE LOUSADA 2012 2013 PLANIFICAÇÃO DA DISCIPLINA DE MATEMÁTICA Curso Profissional de Técnico de Multimédia ELENCO MODULAR A7 Probabilidades 28 A6 Taxa de variação 36 A9 Funções de crescimento
Leia maisEspecificações e limites do Microsoft Excel
Especificações e limites do Microsoft Excel IMPORTANTE Este artigo foi traduzido por um sistema de tradução automática, leia o aviso de isenção de responsabilidade. Para sua referência, veja a versão em
Leia maisBioinformática. Licenciaturas em Biologia, Bioquímica, Biotecnologia, Engenharia Biológica. João Varela
Bioinformática Licenciaturas em Biologia, Bioquímica, Biotecnologia, Engenharia Biológica João Varela jvarela@ualg.pt Docentes João Varela (bioinformática: conceitos, bases de dados, aplicações, pesquisa
Leia maisComparação entre sequências biológicas
Comparação entre sequências biológicas Extraíndo e analisando os sinais contidos em biopolímeros ( Alinhamentos ) Prof. Dr. Alessandro Varani UNESP - FCAV Objetivos Abordagens práticas para comparação
Leia maisResumo - capítulo 4 - Alinhamento múltiplo de sequências
Resumo - capítulo 4 - Alinhamento múltiplo de sequências Pedro Ivo Gomes de Faria Sumário 1 Introdução 3 1.1 Sequenciamento de genomas................... 3 1.2 Usos de alinhamentos múltiplos de sequências.........
Leia maisIntrodução à Programação. João Manuel R. S. Tavares
Introdução à Programação João Manuel R. S. Tavares Sumário 1. Ciclo de desenvolvimento de um programa; 2. Descrição de algoritmos; 3. Desenvolvimento modular de programas; 4. Estruturas de controlo de
Leia maisEnglish version at the end of this document
English version at the end of this document Ano Letivo 2016-17 Unidade Curricular FUNDAMENTOS DE BIOINFORMÁTICA Cursos CIÊNCIAS BIOMÉDICAS (1.º ciclo) Unidade Orgânica Reitoria - Centro de Novos Projectos
Leia maisTópicos Especiais em Inteligência Artificial COS746. Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro
Tópicos Especiais em Inteligência Artificial COS746 Vítor Santos Costa COPPE/Sistemas Universidade Federal do Rio de Janeiro Agradecimento Copiado dos slides de Mark Craven/C. David Page para BMI/CS 576,
Leia maisPrograma de Pós-Graduação Stricto Sensu em Biologia Computacional e Sistemas. Seleção de Mestrado 2012-A
Programa de Pós-Graduação Stricto Sensu em Biologia Computacional e Sistemas Seleção de Mestrado 2012-A INSTRUÇÕES (LEIA ATENTAMENTE ANTES DE PREENCHER A PROVA): a. Identifique sua prova unicamente com
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisÁrvores. Thiago Martins, Fabio Gagliardi Cozman. PMR2300 / PMR3201 Escola Politécnica da Universidade de São Paulo
PMR2300 / PMR3201 Escola Politécnica da Universidade de São Paulo Árvore: estrutura composta por nós e arestas entre nós. As arestas são direcionadas ( setas ) e: um nó (e apenas um) é a raiz; todo nó
Leia maisBanco de dados Brasil
Banco de dados Brasil Elemento de resolução: célula de 100x100m Conteúdo: linhas de transmissão, casas, quadras, distritos, municípios, estados, país Quais distritos são cortados pela linha de transmissão
Leia maisPlano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov
Plano Esta apresentação é para pessoas sem conhecimento prévio de HMMs Introdução aos Modelos Escondidos de Markov 2004 Objetivos: Ensinar alguma coisa, não tudo (Visão geral, sem muitos detalhes). Tentar
Leia maisANÁLISE DE DECISÃO. Elementos básicos sobre árvores de decisão e diagramas de influência. Conceitos complementares:
ANÁLISE DE DECISÃO Elementos básicos sobre árvores de decisão e diagramas de influência Mónica Oliveira Ano lectivo 2011/2012 2 Conceitos Diagramas de influência Árvores de decisão Conceitos complementares:
Leia maisProf. Paulo Borges. ao lado do campo Proprietário, clique no botão Novo e preencha os dados, conforme tela abaixo, em seguida clique em Salvar e OK.
Aula 01 Criando Novo Projeto, Introdução Manual de Dados na Caderneta de Campo, Importação de Arquivos Textos e Arquivos Brutos de Estações Totais, Cálculo de Poligonal Fechada. 1º Passo: Após abrir o
Leia maisCapítulo 4 - Equações Não-Lineares
Capítulo 4 - Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 2 o Ano - Eng. Civil, Química e Gestão Industrial Carlos Balsa Métodos Numéricos 1/
Leia mais4 Modelagem Numérica. 4.1 Método das Diferenças Finitas
4 Modelagem Numérica Para se obter a solução numérica das equações diferenciais que regem o processo de absorção de CO 2,desenvolvido no capitulo anterior, estas precisam ser transformadas em sistemas
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisCEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02
. CEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02 Créditos: alguns itens desta lista são adaptados do material da disciplina CS188 - Artificial Intelligence
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisAula 7 Medidas de Distância. Profa. Elaine Faria UFU
Aula 7 Medidas de Distância Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof Andre C. P. L. F. Carvalho Agradecimentos Ao professor André
Leia maisAlgoritmos e Estruturas de Dados I (DCC/003) Estruturas Condicionais e de Repetição
Algoritmos e Estruturas de Dados I (DCC/003) Estruturas Condicionais e de Repetição 1 Comando while Deseja-se calcular o valor de: 1 + 2 + 3 +... + N. Observação: não sabemos, a priori, quantos termos
Leia maisUniversidade de Brasília Instituto de Ciências Exatas Departamento de Ciência da Computação
Universidade de Brasília Instituto de Ciências Exatas Departamento de Ciência da Computação Estratégia Paralela Exata para o Alinhamento Múltiplo de Sequências Biológicas Utilizando Unidades de Processamento
Leia maisEstudos Paramétricos no Projeto de Aeronaves
Estudos Paramétricos no Projeto de Aeronaves Projecto de Aeronaves - 10403-2013 Pedro V. Gamboa Conteúdo Introdução Estudos Paramétricos Apresentação dos Estudos Otimização Multivariável e Multidisciplinar
Leia maisSSC546 -Avaliação de Desempenho de Sistemas
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 -Avaliação de Desempenho de Sistemas Parte 1 -Aula 2 Sarita Mazzini Bruschi Material
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisAlinhamento Múltiplo de Seqüências Através de Técnicas de Agrupamento
Universidade Federal do Amazonas Instituto de Ciências Exatas Departamento de Ciência da Computação Programa de Pós-Graduação em Informática Alinhamento Múltiplo de Seqüências Através de Técnicas de Agrupamento
Leia maisLista de Exercícios. Camada de Enlace de Dados
Lista de Exercícios Camada de Enlace de Dados 1. Um pacote de uma camada superior de redes é dividido em 10 quadros, e cada quadro tem 80% de chances de chegar sem danos. Se o protocolo de enlace de dados
Leia maisÁrvores. Fabio Gagliardi Cozman. PMR2300 Escola Politécnica da Universidade de São Paulo
PMR2300 Escola Politécnica da Universidade de São Paulo Árvore: estrutura composta por nós e arestas entre nós. As arestas são direcionadas ( setas ) e: um nó (e apenas um) é a raiz; todo nó (exceto a
Leia maisDISTRIBUIÇÃO CONTÍNUA UNIFORME
DISTRIBUIÇÃO CONTÍNUA UNIFORME Números aleatórios com distribuição contínua uniforme constituem o recurso básico em simulação. Em EXCEL a função ALEATÓRIO gera números reais aleatórios uniformemente distribuídos
Leia maisMatrizFormatador. Introdução
MatrizFormatador (versão preliminar) A planilha MatrizFormatador foi criada para gerar a entrada de dados da planilha MatrizConstrutor. A MatrizConstrutor formula problemas de planejamento florestal usando
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia maisAgentes de Procura Procura Estocástica. Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA.
Agentes de Procura Procura Estocástica Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA. AGENTES DE PROCURA ESTOCÁSTICA 1 Procura Aleatória O
Leia maisINTRODUÇÃO AOS MÉTODOS NUMÉRICOS. Solução de Sistemas Lineares
INTRODUÇÃO AOS MÉTODOS NUMÉRICOS Solução de Sistemas Lineares Introdução Uma variedade de problemas de engenharia pode ser resolvido através da análise linear; entre eles podemos citar: determinação do
Leia maisAGRUPAMENTO DE ESCOLAS ANSELMO DE ANDRADE
AGRUPAMENTO DE ESCOLAS ANSELMO DE ANDRADE DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500 Planificação Anual /Critérios de avaliação Disciplina: Matemática _ 7º ano 2016/2017 Início Fim
Leia maisCorreção Ortográfica. Processamento Estatístico da Linguagem Natural. Correção de Erros. Distância Mínima de Edição. Distância Mínima de Edição
Processamento Estatístico da Linguagem Natural Aula 6 Professora Bianca (Sala 302 Bloco E) bianca@ic.uff.br http://www.ic.uff.br/~bianca/peln/ Correção Ortográfica Três tipos de problemas: Detecção de
Leia maisResumo - capítulo 5 - Predição da estrutura secundária do RNA
Resumo - capítulo 5 - Predição da estrutura secundária do RNA Pedro Ivo Gomes de Faria Sumário 1 Introdução 2 1.1 Fundamentos da predição da estrutura do RNA........ 2 1.2 Características da estrutura
Leia maisEstruturas de Repetição
Algoritmos e Estruturas de Dados I (DCC/003) Estruturas de Repetição Aula Tópico 4 (while, for) 1 Problema 10 Suponha que soma (+) e subtração (-) são as únicas operações disponíveis em C. Dados dois números
Leia maisCIC 110 Análise e Projeto de Algoritmos I
CIC 110 Análise e Projeto de Algoritmos I Prof. Roberto Affonso da Costa Junior Universidade Federal de Itajubá AULA 09 Consultas de Intervalo Consulta de Intervalo Neste capítulo, discutimos estruturas
Leia maisAnálise de Clusters. Aplicações da formação de Grupos (Clustering)
Análise de Clusters Aplicações da formação de Grupos (Clustering) Ver e analisar vastas quantidades de dados biológicos como um todo pode ser difícil É mais fácil interpretar os dados se forem divididos
Leia maisTeoria dos Grafos Aula 17
Teoria dos Grafos Aula 17 Aula passada Problema da soma do subconjunto (subset sum) Programação dinâmica Problema da mochila Aula de hoje Alinhamento de sequências Programação dinâmica Caminho mais curto
Leia maisEstrutura covalente de proteínas estrutura tridimensional. Proteina: estrutura covalente com muitas restrições conformacionais
Estrutura covalente de proteínas estrutura tridimensional Proteina: estrutura covalente com muitas restrições conformacionais M. Teresa Machini IQ/USP Análise de sequência de aminoácidos Conteúdo de aminoácidos
Leia mais