Bioinformática MIB. Árvores Filogenéticas 2016/2017. Pedro Ribeiro. (baseado nos slides de Vítor Costa/DCC-FCUP e Sushmita Roy/UWisconsin)
|
|
- Maria do Loreto Irene Stachinski Araújo
- 6 Há anos
- Visualizações:
Transcrição
1 Bioinformática MIB 2016/2017 Pedro Ribeiro Árvores Filogenéticas (baseado nos slides de Vítor Costa/DCC-FCUP e Sushmita Roy/UWisconsin)
2 Objectivos desta unidade Definição de árvores filogenéticas Algoritmos de construção de árvores UPGMA Junção de Vizinhos Parcimónia Branch & Bound
3 Árvores Filogenéticas Dada: Caracterização de um conjunto de espécies/genes Calcular: Inferir uma árvore filogenética que represente com precisão a evolução ( diagrama mostrando linha evolucionária)
4 Motivação para Árvores Filogenéticas Porquê usar árvores: para entender a ascendência de várias espécies para compreender como várias funções evoluíram para informar sobre alinhamentos múltiplos
5 Exemplo de Filogenia: A Árvore da Vida Tree of Life Web Project
6 Exemplo de Filogenia: Mamíferos
7 Exemplo de Filogenia: Globinas
8 Exemplo de Filogenia: Babuínos
9 Exemplo de Filogenia: Ichthyosaurus
10 Exemplo de Filogenia: Myosin
11 Exemplo de Filogenia: Vírus Ebola Vírus Ebola: mortalidade : epidemia de Ebola em África A maior epidemia anterior tinha sido em 1976 (318 casos) Epidemia reportada em Fevereiro de ,310 mortes com esta epidemia de 2014 Org. Mundial Saúde encerrou emergência em Março de 2016 Questões chave: De onde veio o novo virus? Como é que ele está está evoluir? Num paper de 2014, investigadores reportaram um alinhamento global de todo o genoma de 78 amostras do Ebola
12 Exemplo de Filogenia: Vírus Ebola Gire et al, Science 2014
13 Exemplo de Filogenia: Vírus Ébola Alguns insights ganhos com a filogenia: Genetic similarity across the sequenced 2014 samples suggests a single transmission from the natural reservoir, followed by human-to-human transmission during the outbreak..data suggest that the Sierra Leone outbreak stemmed from the introduction of two genetically distinct viruses from Guinea around the same time.....the catalog of 395 mutations, including 50 fixed nonsynonymous changes with 8 at positions with high levels of conservation across ebola viruses, provides a starting point for such studies Gire et al, Science 2014
14 Árvores Filogenéticas: Ideias Básicas Folhas representam coisas (genes, indivíduos/famílias, espécies) sendo comparadas o termo taxão é usado para nos referirmos a esses elementos quando representam espécies e classificações mais amplas de organismos nós internos são hipotéticos antepassados numa árvore enraizada, um caminho desde a raíz até a um nó representa um caminho evolucionário uma árvore não-enraizada representa relações entre coisas, mas não caminhos evolucionários
15 Árvores Enraizadas e Não-Enraizadas
16 Número de Árvores Possíveis dadas n sequências, existem ni=3 (2i 5) árvores não-enraizadas possíveis e (2n 3) n i=3 (2i 5) árvores enraizadas
17 Número de Árvores Possíveis # sequências (n) # árvores # árvores não-enraizadas enraizadas , , ,027,025 34,459,425
18 Construção de Árvores Filogenéticas Três tipos de métodos gerais: distância: encontrar uma árvore que explique as distâncias evolucionárias estimadas parcimónia: encontrar a árvore que requer o número mínimo de alterações para explicar os dados probabilísticos: encontrar uma árvore que maximize a verosimilhança (likelihood) dos dados
19 Métodos Baseados em Distância Dados: uma matriz n n M onde M ij é a distância entre os objectos i e j Calcule: uma árvore pesada nas arestas tal que a distância entre as folhas i e j corresponda a M ij
20 Distâncias Algumas propriedades: d(x, y) 0 d(x, x) = 0 d(x, y) = d(y, x) d(x, y) d(x, z) + d(z, y)
21 A Premissa do Relógio Molecular e Dados Ultramétricos A premissa do relógio molecular: divergência das sequências é assumida ocorrer à mesma velocidade em todos os pontos da árvore esta premissa não é verdade em geral: pressões evolucionárias variam de acordo com o tempo, organismos, genes num organismo e regiões num gene se podemos assumir esta premissa, os dados são chamados de ultramétricos
22 Distâncias ultramétricas d(x, y) 0 d(x, x) = 0 d(x, y) = d(y, x) d(x, y) <= max(d(x, z), d(z, y))
23 Dados Ultramétricos: Condição Necessária e Suficiente Dados Ultramétricos: para qualquer tripla de sequências i, j, k as distâncias ou são todas iguais, ou duas são iguais e a restante é menor.
24 Algoritmo UPGMA Unweighted Pair Group Method using Arithmetic Averages Ideia básica: Iterativamente tirar duas sequências/clusters e agregá-los criar novo nó na árvore para o cluster agregado a distância d ij entre os clusters C i e C j de sequências é definida como: d ij = 1 C i C j p C i,q C j d pq ou distância média entre pares de sequências de cada cluster
25 Algoritmo UPGMA Dar a cada sequência o seu próprio cluster definir uma folha para cada sequência e colocar na altura 0 enquanto há mais de 2 clusters: determinar dois clusters i, j com o menor d ij defina um novo cluster C k = C i C j defina um nó k com filhos i e j, coloque-o na altura d ij /2 substitua os clusters i e j com k junte os últimos dois clusters, i e j, pela raíz na altura d ij /2
26 UPGMA dado um novo cluster C k formado pela agregação de C i e de C j podemos calcular a distância entre C k e qualquer outro cluster C l como segue: d kl = d il C i + d jl C j C i + C j
27 Exemplo de aplicação de UPGMA
28 Exemplo de aplicação de UPGMA
29 Problemas com UPGMA Quando a premissa do relógio molecular não se aplica...
30 Junção de Vizinhos Como em UPGMA, construímos uma árvore juntando iterativamente sub-árvores Ao contrário de UPGMA: não assumimos o relógio molecular produz árvore não enraizada Assume aditividade: a distância entre dois pares de folhas é a soma dos comprimentos das ligações que os unem. Diferenças na maneira como: as sub-árvores a juntar são escolhidas em cada iteração as distâncias são actualizadas
31 Juntar que Nós? Em cada passo escolhemos um par de nós para juntar. Devemos escolher os nós com o menor d ij? Suponhamos que a árvore verdadeira se parece com esta e que estamos a escolher os primeiros nós para juntar: d AB = 0.3 d AC = 0.5 Decisão errada em juntar A e B: precisamos de considerar distância do par até outras folhas.
32 Juntar que Nós? Para evitar este problema escolhemos o par de nós baseado nas distâncias D ij : D ij = d ij (r i + r j ) r i = 1 L 2 k L d ik L = folhas r i = distância média às outras folhas
33 Distâncias em Junção de Vizinhos dado um novo nó interno k, a distância para outro nó m é dada por: d km = 1 2 (d im + d jm d ij )
34 Distâncias em Junção de Vizinhos Podemos calcular a distância de uma folha para o nó pai na seguinte forma: d ik = 1 2 (d ij + d im d jm ) d jk = d ij d ik
35 Algoritmo de Junção de Vizinhos defina a árvore T como o conjunto de nós folhas L = T enquanto há mais que duas sub-árvores em T : escolha o par i, j em L com D ij mínimo adicione a T um novo nó k agregando i e j determine novas distâncias: d ik = 1 2 (d ij + r i r j ) d jk = d ij d ik d km = 1 2 (d im + d jm d ij )para todos os outrosm L remova i e j de L e insira k (processe-o como se uma folha) junte as duas árvores restantes, i e j com ligações de comprimento d ik e d jk
36 Escolhendo Raízes Escolher uma raíz para árvores não-enraizadas é muitas vezes feita usando um outgroup Outgroup é uma espécie que se sabe ser mais diferentes das outras espécies do que elas são entre elas. o ponto onde o outgroup se junta ao resto da árvore é o melhor candidato para a raíz.
37 Comentários Sobre Métodos Baseados em Distância Se os dados de distância são ultramétricos (e as distâncias são distâncias genuínas), então UPGMA encontra a árvore certa Se os dados são aditivos (e as distâncias são distâncias genuínas), então junção de vizinhos identifica a árvore correcta senão, os métodos podem não recuperar a árvore correcta, mas são boas heurísticas
38 Construção de Árvores Filogenéticas Três tipos de métodos gerais: distância: encontrar uma árvore que explique as distâncias evolucionárias estimadas parcimónia: encontrar a árvore que requer o número mínimo de alterações para explicar os dados probabilísticos: encontrar uma árvore que maximize a verosimilhança (likelihood) dos dados
39 Métodos Baseados em Parcimónia dado: dados baseados em caracteres faça: encontrar árvore que explique os dados com o número mínimo de alterações. O foco está na estrutura correcta da árvore (topologia) e não nas distâncias das ligações
40 Exemplo de Parcimónia existem muitas árvores que podem explicar a filogenia das sequências seguintes: AAG, AAA, GGA, AGA. parcimónia prefere a primeira árvore porque requer menor número de substituições
41 Métodos Baseados em Parcimónia habitualmente estes métodos envolvem dois componentes: um procedimento para calcular o menor número de mudanças necessárias para explicar os dados (para uma dada topologia). uma procura pelo espaço das árvores possíveis
42 Encontrar Menor Número de Mudanças Numa Árvore Algoritmo de Fitch [1971]: assume qualquer estado (nucleótido, amino-ácido) e pode converter para qualquer outro estado assume que o preço de qualquer mudança é uniforme assume que as posições são independentes
43 Algoritmo de Fitch atravessa a árvore desde as folhas até à raíz determinando o número possível de estados (ex, nucleótidos) que podem ser tomados por cada nó interno. atravessa a árvore desde a raíz até às folhas estabelecendo os estados para os nós internos.
44 Passo 1: Estado Possível para os Nós Internos atravesse a árvore em pós-ordem (desde as folhas até à raíz) determinar os estados possíveis R i do nó interno i com filhos j e k: R i = { R j R k, R j R k, ser j R k = senão
45 O Algoritmo de Fitch: Passo 1 # de mudanças = # de uniões
46 O Algoritmo de Fitch: Passo 2 atravesse a árvore em pré-ordem (desde a raíz até às folhas) seleccionar um estado r j do nó interno j com pai i: r j = { r i, estado arbitrário R j, ser i R j senão
47 O Algoritmo de Fitch: Passo 2
48 O Algoritmo de Sankoff Sankoff & Cedergren [1983] Em vez de assumir que todos as mudanças de estado são igualmente prováveis, use custos diferentes S(a, b) para mudanças diferentes primeiro passo do algoritmo é propagar custos subindo na árvore: a b
49 O Algoritmo de Sankoff para um nó interno i com filhos j e k R i (a) = min b (R j (b) + S(a, b))+ min b (R k (b) + S(a, b))
50 O Algoritmo de Sankoff R 3 [A] =, R 3 [C] =, R 3 [G] = 0, R 3 [T] = R 4 [A] =, R 4 [C] =, R 4 [G] =, R 4 [T] = 0 R 2 [A] = R 3 [G] + S(A, G) + R 4 [T] + S(A, T)... R 2 [T] = R 3 [G] + S(A, T) + R 4 [T] + S(T, T) R 5 [A] = 0, R 5 [C] =, R 5 [G] =, R 5 [T] = R 1 [A] = min(r 2 [A] + S(A, A),..., R 2 [T] + S(A, T)) + R 5 [A] + S(A, A)... R 1 [T] = min(r 2 [A] + S(T, A),..., R 2 [T] + S(T, T)) + R 5 [A] + S(A, T)
51 O Algoritmo de Sankoff: Passo 2 faça uma travessia em pré-ordem da árvore (desde a raíz para as folhas) seleccione o caracter de menor custo para cada nó
52 O Algoritmo de Sankoff: exemplo O carater que custa menos para a posição 1 é o g ou o t. Para a posição 3 escolhe-se o g. Se trocarmos as posições iniciais do t com o a (posições 6 e 4) a árvore é melhor que esta (exercício: calcule o valor de parsimónia).
53 Explorando o Espaço das Árvores Nós consideramos como encontrar o menor número de mudanças para cada topologia Precisamos de um método para procurar no espaço das árvores
54 Métodos de Procura Refinamento de solução encontre um árvore inicial (eg, por UPGMA ou por junção de vizinhos) e determine o custo proceda a trocas que melhorem solução ( hill climbing ) Pesquisa Exaustiva gerar todas as árvores possíveis branch & bound (cortes): abandonar árvores parciais cujo custo excede a árvore de menor custo até agora
55 Exemplo de Refinamento Uma hipótese seria considerar edges (ligações) internas Para cada ligação destas existem 3 maneiras de ligar as 4 sub-árvores Uma troca podia ser ir de uma destas posições para outra
56 Procura Por Branch & Bound procure pelo espaço das árvores sem raíz: adicione folhas à árvore incrementalmente mantenha a árvore de custo menor completa até agora T corte uma árvore T e os seus descendentes se custo(t ) > custo(t ) Propriedade Chave: adicionar folhas só pode aumentar o custo da árvore
57 Procura Por Branch & Bound
58 Procura Por Branch & Bound É um método completo garantido encontrar solução óptima frequentemente muito mais eficiente que procura exaustiva no pior caso, não é melhor Podemos começar com uma árvore (ou sub-árvore) inicial calculada por outro método (e isso pode fazer variar a eficiência)
59 Comentários sobre Inferência de Árvores o espaço de procura pode ser grande, mas pode-se encontrar a árvore óptima eficientemente em alguns casos em alguns casos métodos heurísticos podem ser aplicados difícil avaliar filogenias inferidas: a verdade-alvo não é habitualmente sabida: podemos olhar para a concordância entre diferentes fontes de evidência quando a procura não é completa, podemos procurar repetibilidade em subamostras dos dados filogenia de bactérias e vírus não é trivial devido a transferências laterais de material genético: filogenias locais podem ser mais apropriadas
60 Software para Inferência de Árvores Alguns programas possíveis: Phylip PAUP* Molphy PAML MrBayes
Tópicos 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 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 maisUniversidade de Brasília
Universidade de Brasília Instituto de Ciências Exatas Departamento de Ciência da Computação Algoritmos genéticos para filogenia viva com matriz de características Rafael Lins Fernandes Dissertação apresentada
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 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 maisProblemas de Fluxo em Redes
CAPÍTULO 7 1. Conceitos fundamentais de grafos Em muitos problemas que nos surgem, a forma mais simples de o descrever, é representá-lo em forma de grafo, uma vez que um grafo oferece uma representação
Leia maisResolução de Problemas: Busca Heurística
Resolução de Problemas: Busca Heurística Aula 3 - Inteligência Artificial Busca Heurística Duas variações: Busca usando heurística (não numérica). Busca usando funções de avaliação e funções de custo.
Leia maisBioinformática MIB. Vítor Santos Costa DCC/FCUP Universidade do Porto
Bioinformática MIB Vítor Santos Costa DCC/FCUP Universidade do Porto BioInformática Processamento/armazenamento/apresentação/pesquisa de dados biológicos: 1. sequências; 2. estruturas; 3. funções; 4. níveis
Leia maisLista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + 2 y s.a x + y 2 x + y 5 x, y 0, x e y inteiros b) Max z = 2 x + y s.a x + 2y 0 x + y 25 x, y
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Agrupamento de Dados Tópicos Agrupamento de dados Análise de cluster Dificuldades em agrupamento Algoritmos
Leia maisDescrição do Método de Análise de Clusters
ANÁLISE DE CLUSTERS A análise de Clusters designa uma série de procedimentos estatísticos sofisticados que podem ser usados para classificar objectos e pessoas por observação das semelhanças e dissemelhanças
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 maisLista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + y s.a x + y x + y 5 b) Max z = x + y s.a x + y 0 x + y 5 c) Max z = x + y s.a x + 9y 6 8 x +
Leia maisFILOGENIA MOLECULAR FILOGENIA FILOGENIA. Os organismos possuem padrões. E as moléculas também
SUMÁRIO FILOGENIA MOLECULAR Daniel Macedo de Melo Jorge danielmacedo.jorge@gmail.com Filogenia Conceitos Alinhamentos Análises e Métodos Principais programas Aplicações: Sistemática Molecular Estudo de
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 maisAnálise de Agrupamento (Cluster analysis)
Análise de Agrupamento (Cluster analysis) Anderson Rodrigo da Silva 1 Exemplos de aplicações de análise de agrupamento Pesquisas de mercado Agrupamento de cidades-teste Bancos de germoplasma Caracterização
Leia maisAnálise de Agrupamento. Cluster Analysis
Análise de Agrupamento Cluster Analysis Objetivo Classificar objetos, itens ou indivíduos de acordo com as suas semelhanças. Os objetos semelhantes são alocados em um mesmo grupo e, portanto, aqueles que
Leia maisSelecciona-se dos vértices ainda não seleccionados o vértice v k que está à menor distância de v i,
V. Problema do caixeiro-viajante Grafos - Problema do caixeiro-viajante onsidere-se um grafo em que os vértices representam cidades e as arestas (ou arcos) representam as estradas de uma dada região (a
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 maisUniversidade de Aveiro Departamento de Matemática Olga Margarida Fajarda Oliveira. Árvores filogenéticas e o problema da evolução mínima
Universidade de Aveiro Departamento de Matemática 2009 Olga Margarida Fajarda Oliveira Árvores filogenéticas e o problema da evolução mínima Universidade de Aveiro Departamento de Matemática 2009 Olga
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 maisAnálise de Decisão. Resolução indicativa
Análise de Decisão Licenciatura em Engenharia e Gestão Industrial Departamento de Engenharia e Gestão, Instituto Superior Técnico Ano lectivo 2014/2015 1.º Semestre Teste 2 17 de Dezembro de 2014 Duração:
Leia maisDisciplina Evolução Módulo II. Prof. Carolina Voloch. Filogenia
Disciplina Evolução Módulo II Prof. arolina Voloch Filogenia A sistemática é a ciência que une a taxonomia, ou seja, a ciência da classificação dos organismos, com a filogenia, a ciência que traça a história
Leia maisESTATÍSTICAS PARA INFERIR PADRÕES SELECÇÃO
ESTATÍSTICAS PARA INFERIR PADRÕES DEMOGRÁFICOS E SELECÇÃO Inferências demográficas e selectivas Os fenómenos demográficos (expansão ou redução do efectivo populacional, subdivisão, migração) e selectivos
Leia maisTécnicas Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas Inteligência Artificial Aula 03 Métodos de Busca Parte 1 Prof. Max Pereira Solução de Problemas como Busca Um problema pode ser considerado
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisIntroduzindo filogenias
Introduzindo filogenias Um olhar íntimo nos sistemas vivos Os sistemas vivos apresentam as seguintes características básicas Se reproduzem (com o sem sexo); Mantém a informação que carregam ao longo das
Leia maisAnálise Amortizada de Complexidade
Análise Amortizada de Complexidade Algoritmos e Complexidade LEI-LCC 2010-2011 MBB Novembro de 2010 Introdução Pretende analizar-se uma sequência de operações sobre uma estrutura de dados. Este é, geralmente
Leia maisOtimização por Colônia de Formigas (ACO)
Otimização por Colônia de Formigas (ACO) Inspiração Biológica Proposto por Dorigo e Gambardella em 1997 ACO (Ant Colony Optimization) Principal aplicação no PCV Programação do algoritmo Inspiração Biológica
Leia maisSISTEMÁTICA FILOGENÉTICA. Aula 6: inferência filogenética Parcimônia
SISTEMÁTICA FILOGENÉTICA Aula 6: inferência filogenética Parcimônia Inferência Qual árvore é a que melhor representa a relação evolutiva entre as espécies? 2 Inferência Um exemplo em Carnivora > Dentição,
Leia maisProgramação Dinâmica I SCC0210 Algoritmos Avançados (2/2011) Lucas Schmidt Cavalcante
Programação Dinâmica I SCC0210 Algoritmos Avançados (2/2011) Lucas Schmidt Cavalcante Introdução Soma máxima de uma subsequência contígua Problema do troco Quantidade de formas de dar troco Problema da
Leia maisTeoria dos Grafos. Edson Prestes
Edson Prestes Árvores Sabemos que com um ou dois vértices apenas uma árvore pode ser formada. Entretanto com três vértices podemos formar três árvores. Com quatro vértices temos quatro estrelas e doze
Leia maisAula 05 - Limite de uma Função - Parte I Data: 30/03/2015
bras.png Cálculo I Logonewton.png Aula 05 - Limite de uma Função - Parte I Data: 30/03/2015 Objetivos da Aula: Definir limite de uma função Definir limites laterias Apresentar as propriedades operatórias
Leia maisAula 12: Programação Inteira
Aula 12: Programação Inteira Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Aula de Hoje 1 Programação Inteira: A Formulação
Leia maisOrganização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia maisÁrvore de Suporte de Comprimento Mínimo Minimal Spanning Tree
Investigação Operacional Árvore de Suporte de Comprimento Mínimo Minimal Spanning Tree Slide Transparências de apoio à leccionação de aulas teóricas Maria Antónia Carravilla José Fernando Oliveira Árvore
Leia maisGrafos: caminhos (matriz adjacência)
Grafos: caminhos (matriz adjacência) Algoritmos e Estruturas de Dados 2 Graça Nunes 1 O problema do menor caminho Um motorista deseja encontrar o caminho mais curto possível entre duas cidades do Brasil
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 maisComplementos de Investigação Operacional. Folha nº 1 Programação Inteira 2007/08
Complementos de Investigação Operacional Folha nº Programação Inteira 2007/08 - A Eva e o Adão pretendem dividir entre eles as tarefas domésticas (cozinhar, lavar a louça, lavar a roupa, fazer as compras)
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 maisTeoria dos Grafos AULA
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br AULA Caminho mínimo - Algoritmo de Djskstra Preparado a partir
Leia maisPrincípio da Multiplicação Gerando todas as palavras de um alfabeto. > Princípios de Contagem e Enumeração Computacional 0/18
Conteúdo 1 Princípios de Contagem e Enumeração Computacional Princípio da Multiplicação Gerando todas as palavras de um alfabeto Permutações > Princípios de Contagem e Enumeração Computacional 0/18 Objetivos
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 maisComplementos de Investigação Operacional. Folha nº 1 Programação Inteira 2006/07
Complementos de Investigação Operacional Folha nº Programação Inteira 2006/07 - A Eva e o Adão pretendem dividir entre eles as tarefas domésticas (cozinhar, lavar a louça, lavar a roupa, fazer as compras)
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 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 maisÁrvore Binária de Busca Ótima
MAC 5710 - Estruturas de Dados - 2008 Referência bibliográfica Os slides sobre este assunto são parcialmente baseados nas seções sobre árvore binária de busca ótima do capítulo 4 do livro N. Wirth. Algorithms
Leia maisBusca com informação e exploração. Capítulo 4 Russell & Norvig Seção 4.2 e 4.3
Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.2 e 4.3 1 Revisão da aula passada: Busca A * Idéia: evitar expandir caminhos que já são caros Função de avaliação f(n) = g(n) + h(n)
Leia mais= comprimento (distância, valor) da aresta orientada do vértice i ao vértice j,, e:
8 - Problema do Caminho Mínimo Considere a rede: Dado dois vértices nesta rede, queremos determinar o menor caminho ente eles. Uma primeira questão é como representar os valores associados às arestas neste
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 maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisÁrvores Conceitos gerais
http://www.mysticfractal.com/ FractalImaginator.html Árvores Conceitos gerais 9/11 Nesta aula veremos conceitos e definições sobre árvores Diferentemente das estruturas de pilhas, filas e listas que são
Leia maisEx. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: f=7 f=7 f=1 f=2
LERCI/LEIC Tagus 2005/06 Inteligência Artificial Exercícios sobre Minimax: Ex. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: Max Min f=4 f=7
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 maisTópicos Avançados em Algoritmos - exercícios de Prog. Din. com correcção parcial
Armando Matos, 2008/2009 Tópicos Avançados em Algoritmos - exercícios de Prog. Din. com correcção parcial 1. Optimizar o produto de matrizes Considere o problema da parentização óptima de uma multiplicação
Leia mais8. Árvores. Fernando Silva DCC-FCUP. Estruturas de Dados. Fernando Silva (DCC-FCUP) 8. Árvores Estruturas de Dados 1 / 38
8. Árvores Fernando Silva DCC-FCUP Estruturas de Dados Fernando Silva (DCC-FCUP) 8. Árvores Estruturas de Dados 1 / 38 Árvores - estruturas não lineares (1) Uma lista é um exemplo de uma estrutura de dados
Leia mais8. Árvores. Fernando Silva. Estruturas de Dados DCC-FCUP. Fernando Silva (DCC-FCUP) 8. Árvores Estruturas de Dados 1 / 38
8. Árvores Fernando Silva DCC-FCUP Estruturas de Dados Fernando Silva (DCC-FCUP) 8. Árvores Estruturas de Dados 1 / 38 Árvores - estruturas não lineares (1) Uma lista é um exemplo de uma estrutura de dados
Leia maisFluxo Máximo. Pedro Ribeiro 2014/2015 DCC/FCUP. Pedro Ribeiro (DCC/FCUP) Fluxo Máximo 2014/ / 28
Fluxo Máximo Pedro Ribeiro DCC/FCUP 2014/2015 Pedro Ribeiro (DCC/FCUP) Fluxo Máximo 2014/2015 1 / 28 Fluxo Máximo Um grafo pesado pode ser interpretado como uma rede de canalizações onde o peso é a capacidade
Leia maisFilogenia viva baseada em distâncias
Filogenia viva baseada em distâncias Tese de Doutorado Graziela Santos de Araújo Orientação: Prof. Dr. Nalvo Franco de Almeida Junior Área de concentração: Bioinformática Faculdade de Computação Universidade
Leia maisConjuntos disjuntos dinâmicos
Conjuntos disjuntos dinâmicos CLRS 21 Algoritmos p. 1 Conjuntos disjuntos Seja S = {S 1,S 2,...,S n } uma coleção de conjuntos disjuntos, ou seja, S i S j = para todo i j. Algoritmos p. 2 Conjuntos disjuntos
Leia maisMétodos de Busca: Busca sem Informação. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Métodos de Busca: Busca sem Informação Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 3) Métodos de Busca Resolução de Problemas a. Espaço de estados:
Leia maisExemplo do jogo dos fósforos Terça-feira, 9 de maio. Exemplo para o Problema do Corpo de Bombeiros. Exemplo: Localidade do Corpo de Bombeiros
15.053 Terça-feira, 9 de maio Busca Heurística: métodos para resolver problemas de otimização difíceis Distribuir: Anotações da Aula Veja a introdução ao trabalho Very Large Scale Neighborhood Search (está
Leia maisComunicação Multicast
Comunicação Multicast November 1, 2009 Sumário Multicast Application-Level Multicast Algoritmos Epidémicos Comunicação Multicast Multicast designa o envio duma mensagem para múltiplos destinatários. Pode
Leia maisBases de Dados. Remoções em árvores B + Remoção em árvores B +
Bases de Dados Remoções em árvores B + Remoção em árvores B + Remoção procurar o registo e removê-lo do ficheiro se o apontador ou contentor ficar vazio, remover a entrada (valor, apontador) da folha se
Leia maisTeoria dos Grafos Aula 6
Teoria dos Grafos Aula 6 Aula passada Busca em grafos Busca em largura (BFS Breadth First Search) Propriedades Aula de hoje BFS implementação Complexidade Busca em profundidade (DFS) Conectividade, componentes
Leia maisSCC Algoritmos e Estruturas de Dados II. 6ª lista de exercícios
DEPARTAMENTO DE CIÊNCIAS DE COMPUTAÇÂO SCC0203 - Algoritmos e Estruturas de Dados II 6ª lista de exercícios Questão 1 Explique a seguinte sentença: Árvores-B são construídas de baixo para cima, enquanto
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 maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisGrafos. Fabio Gagliardi Cozman. PMR2300 Escola Politécnica da Universidade de São Paulo
PMR2300 Escola Politécnica da Universidade de São Paulo Um grafo é uma estrutura que generaliza árvores, sendo formado por nós e arestas. Cada nó em um grafo pode ser conectado a vários outros nós por
Leia mais2
1 2 3 4 5 Figura: Evolução do cromossomo X humano, segundo Lahn e Page (1999). No cromossomo X atual, apresentado à direita, 19 genes (marcados a-s) distribuem-se em quatro faixas de antiguidade, conforme
Leia maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisTécnicas Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas Inteligência Artificial Aula 03 Métodos de Busca Prof. Max Pereira Solução de Problemas como Busca Um problema pode ser considerado
Leia maisC alculo Num erico Ra ızes de Equa c oes Ana Paula Ana Paula C alculo Num erico
Raízes de Equações Sumário 1 Introdução 2 3 Revisão Introdução Introdução Introdução Introdução Serão estudados aqui métodos numéricos para a resolução do problema de determinar as raízes de uma equação
Leia maisEstrutura de Dados e Algoritmos e Programação e Computadores II. Aula 11: Introdução aos Grafos
Estrutura de Dados e Algoritmos e Programação e Computadores II Aula 11: Introdução aos Grafos Indução Finita Indução Finita é uma técnica para provar teoremas também usada no projecto de algoritmos. Suponha
Leia maisθ depende de um parâmetro desconhecido θ.
73 Método de Máxima Verosimilhança (Maximum Likelihood) Seja uma variável aleatória (v. a.) cuja densidade de probabilidade depende de um parâmetro desconhecido. Admite-se conhecida a forma de Exemplo
Leia maisResolução de problemas difíceis de programação linear através da relaxação Lagrangeana
problemas difíceis de programação linear através da relaxação Lagrangeana Ana Maria A.C. Rocha Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho arocha@dps.uminho.pt http://www.norg.uminho.pt/arocha
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisBioinformática. João Varela Aula T11-T12 CURSOS EM BIOLOGIA, BIOQUÍMICA, BIOTECNOLOGIA E ENGENHARIA BIOLÓGICA
Bioinformática CURSOS EM BIOLOGIA, BIOQUÍMICA, BIOTECNOLOGIA E ENGENHARIA BIOLÓGICA João Varela jvarela@ualg.pt Aula T11-T12 Métodos de reconstrução filogenética Existem quatro famílias de métodos principais:
Leia maisComplexidade de Algoritmos. Edson Prestes
Edson Prestes Exemplos Exemplos A complexidade no pior caso é linear e igual a n, ou seja, é O(n) A complexidade média é linear e igual a (1+n)/2, ou seja, é O(n) Exemplos Considere o produto C de uma
Leia mais1. Não é permitido separar este conjunto de folhas. O conjunto de folhas deverá ser devolvido por completo no final do exame.
ANÁLISE DE DECISÃO Licenciatura em Engenharia e Gestão Industrial Departamento de Engenharia e Gestão, Instituto Superior Técnico Ano académico 2008/2009 1º Semestre Exame 2ª Época, 13/02/2009, 17:00 Duração:
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisDescoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Descoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters Descoberta
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 maisOtimização. Otimização em Redes. Paulo Henrique Ribeiro Gabriel Faculdade de Computação Universidade Federal de Uberlândia 2016/2
Otimização Otimização em Redes Paulo Henrique Ribeiro Gabriel phrg@ufu.br Faculdade de Computação Universidade Federal de Uberlândia 2016/2 Paulo H. R. Gabriel (FACOM/UFU) GSI027 2016/2 1 / 51 Conteúdo
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 maisBacktracking. Túlio Toffolo Marco Antônio Carvalho BCC402 Aula 10 Algoritmos e Programação Avançada
Backtracking Túlio Toffolo www.toffolo.com.br Marco Antônio Carvalho marco.opt@gmail.com BCC402 Aula 10 Algoritmos e Programação Avançada Backtracking Backtracking é um refinamento do algoritmo de busca
Leia maisOptimização Não-linear
Optimização Não-linear Problemas de optimização não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=43x 2 +log(x 2 )*sin(x x3 ), com x 3 -x 2! < 0 Não existem métodos universais para este
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 13 04/2014 Sistemas de Equações Lineares Parte 3 MÉTODOS ITERATIVOS Cálculo Numérico 3/44 MOTIVAÇÃO Os métodos iterativos
Leia maisPTC Aula Introdução ao plano de controle 5.2 Algoritmos de roteamento. (Kurose, p ) (Peterson, p ) 13/06/2017
PTC 3450 - Aula 5. Introdução ao plano de controle 5. Algoritmos de roteamento (Kurose, p. 7-83) (Peterson, p. 47-63) 3/06/07 Muitos slides adaptados com autorização de J.F Kurose and K.W. Ross, All Rights
Leia mais1 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação Estar imune aos riscos que existem no mercado financeiro, reduzindo ou mesmo eliminando as possíveis perdas, é o desejo de qualquer investidor. Desta forma, todo investidor
Leia maisTeoria dos Grafos Aula 5
Teoria dos Grafos Aula Aula passada Explorando grafos Mecanismos genéricos Ideias sobre BFS, DFS Aula de hoje Busca em grafos Busca em largura (BFS Breadth First Search) Propriedades Busca em Grafos Problema
Leia maisMETAHEURÍSTICAS: 1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO
1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO METAHEURÍSTICAS: É uma das primeiras metaheurísticas que foi utilizada com muito sucesso nos problemas complexos de pesquisa operacional. O S.A surgiu do campo
Leia maisAlgoritmos de pesquisa. Tabelas de dispersão/hash
Algoritmos de pesquisa Tabelas de dispersão/hash Introdução Motivação: Considerar o problema de pesquisar um determinado valor num vetor. Se o vetor não está ordenado, a pesquisa requer O(n) de complexidade.
Leia maisOptimização Não-linear
Problemas de optimização não-linear Optimização Não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=x +log(x )*sin(x x ), com x -x! < 0 Não existem métodos universais para este tipo de
Leia maisArquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano. Desenvolvimento de Aplicações Paralelas
Arquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano Desenvolvimento de Aplicações Paralelas (gec.di.uminho.pt/lesi/ap10203/aula06aplicaçõespar.pdf) João Luís Ferreira Sobral Departamento
Leia maisESTRUTURAS DE DADOS. prof. Alexandre César Muniz de Oliveira. 1. Introdução 2. Pilhas 3. Filas 4. Listas 5. Árvores 6. Ordenação 7. Busca 8.
ESTRUTURAS DE DADOS prof. Alexandre César Muniz de Oliveira 1. Introdução 2. Pilhas 3. Filas 4. Listas 5. Árvores 6. Ordenação 7. Busca 8. Grafos Sugestão bibliográfica: ESTRUTURAS DE DADOS USANDO C Aaron
Leia maisMétodos de Amostragem. Carla Varão Cláudia Batista Vânia Martinho
Métodos de Amostragem Carla Varão Cláudia Batista Vânia Martinho Objecto de interesse Objectivos finais da pesquisa Esquema Geral da Investigação Empírica Objecto teórico Enquadramento teórico Fases do
Leia maisP E R N AMBUCO UMA FERRAMENTA WEB PARA INFERÊNCIA DE HAPLÓTIPOS PROPOSTA DE TRABALHO DE GRADUAÇÃO
U NIVERSIDADE FEDERAL DE P E R N AMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA UMA FERRAMENTA WEB PARA INFERÊNCIA DE HAPLÓTIPOS PROPOSTA DE TRABALHO DE GRADUAÇÃO Aluno Ranieri Valença
Leia maisInformática para Ciências e Engenharias 2014/15. Teórica 9
Informática para Ciências e Engenharias 2014/15 Teórica 9 Na aula de hoje... Estruturas e vectores de estruturas. Cálculo da massa molecular Cálculo da fracção de um resíduo em sequências de proteínas
Leia mais