LABIC LABIC Principais tópicos

„ Introdução
Redes Neurais Artificiais e „ Áreas de aplicação
„ Arquitetura e aprendizado
Algoritmos Genéticos
„ Alguns modelos
„ Algoritmos Genéticos
„ Sistemas Inteligentes Híbridos
Prof. André de Carvalho
LABIC - Universidade de São Paulo „ Conclusão

André de Carvalho André de Carvalho

1 2

LABIC Por que Redes Neurais? LABIC O que são Redes Neurais

„ Computadores convencionais são eficientes em „ Estruturas distribuídas

várias área Š Formadas por grande número de unidades de
Š Entretanto, não têm obtido desempenho próximo da processamento conectadas entre si
natureza em vários domínios de aplicação
„ RNA são pesquisadas em várias disciplinas:
y Sistema visual humano
• Reconhece rosto familiar em ambiente estranho (100-200 metros)
Ciência da Computação, Matemática,
y Sonar de morcegos Física, Engenharias, Psicologia, Biologia,
• Reconhece alvos (distância e velocidade) Lingüística, Filosofia, etc.
• Cérebro do tamanho de uma ameixa

André de Carvalho André de Carvalho

3 4

LABIC O que são Redes Neurais LABIC Características das RNA

„ Modelos computacionais inspirados no cérebro „ Aprendem através de exemplos

humano Š Inferência estatística não paramétrica
Š Compostas por várias unidades de processamento „ Adaptabilidade
(“neurônios”) Š Dilema plasticidade X estabilidade
Š Interligadas por um grande número de conexões „ Capacidade de generalização
(“sinapses”)
Š Dilema polarização X variância
„ Eficientes onde métodos tradicionais têm se
mostrado inadequados „ Tolerância a falhas
„ Implementação rápida
André de Carvalho André de Carvalho
5 6

1
1
LABIC Neurônio Natural LABIC Neurônio artificial
„ Um neurônio simplificado:
„ Modelo de um neurônio (nodo) abstrato
Dendritos
Axônio
Entradas Pesos Saída
w

w f
w
w
Sinal
Corpo w f
Sinal w
Sinapse
André de Carvalho André de Carvalho
7 8

LABIC Estrutura genérica de uma RNA LABIC História das RNAs

camadas „ (300 A. C.) Aristóteles escreveu: de todos os

intermediárias
camada de
camada animais, o homem, proporcionalmente, tem o
de
entrada
saída
maior cérebro
„ (1700) Descartes acreditava que mente e cérebro
eram entidades separadas
„ (1911) Ramon e Cajal introduzem a idéia de
neurônios como estruturas básicas do cérebro
conexões
André de Carvalho André de Carvalho
9 10

LABIC História das RNAs LABIC História das RNAs

„ (1943) McCulloch & Pitts desenvolvem modelo
matemático de RNAs
Š Combinação de vários nodos em sistemas neurais produz
um elevado poder computacional
y Nodos executavam funções lógicas simples
• Cada nodo podia executar uma função diferente
y Mostraram que ualquer função que pudesse ser representada por
uma combinação de funções lógicas podia ser modelada por uma
rede de nodos
y Provam, teoricamente, que qualquer função matemática ou lógica
pode ser implementada utilizando unidades “soma de produtos”
André de Carvalho
11
„ (1949) Hebb desenvolve algoritmo para treinar
RNA (aprendizado Hebbiano)
Š Se dois neurônios estão simultaneamente ativos, a
conexão entre eles deve ser reforçada
„ (1958) Von Neumann mostra interesse na
modelagem do cérebro (RNA)
Š The Computer and the Brain, Yale University Press
André de Carvalho
12

2
2
LABIC
História das RNAs LABIC História das RNAs

„ (1959) Rosenblatt implementa primeira RNA, a rede „ (1982) Hopfield mostra que Redes Neurais podem
Perceptron ser tratadas como sistemas dinâmicos
Š Ajuste iterativo de pesos „ (1986) Hinton, Rumelhart e Williams, propõem
Š Prova teorema da convergência algorítmo de aprendizagem para redes multi-
„ (1969) Minsky & Papert analisam Perceptron e camadas
mostram suas limitações Š Parallel Distributed Processing
Š Não podem aprender funções lógicas simples (XOR)
Š Bryson e Ho (1959), Werbos (1974), Parker (1985) e
Š Por muito tempo foi assumido que este trabalho Le Cun (1985)
desacreditava RNA, embora não fosse esta a intenção
André de Carvalho André de Carvalho
13 14

LABIC Situação atual LABIC Áreas de aplicação

„ Grande número de aplicações „ Reconhecimento de padrões ou

„ Várias conferências e periódicos dedicados ao tema aproximação de funções
„ Combinação de especialistas „ Previsão
„ Sistemas Híbridos „ Agrupamento
Š Projeto evolucionário „ Otimização
Š Extração de conhecimento „ Memória associativa
Š Tratamento estatístico
„ Controle

André de Carvalho André de Carvalho

15 16

LABIC Reconhecimento de padrões LABIC Classificação

„ Encontrar uma estimativa f’ de uma função „ Rede classifica novas entradas em uma
desconhecida f entre várias categorias discretas
Š Conhece conjunto de pares de entrada-saída Š Saídas são variáveis binárias
{(x1, y1), (x2, y2), ..., (xn, yn)} „ Exemplos
„ Pode ser: Š Reconhecimento de promotores, análise de
Š Classificação crédito, reconhecimento de caracteres
Š Regressão

André de Carvalho André de Carvalho

17 18

3
3
LABIC Regressão LABIC Previsão

„ Rede associa novas entradas a uma valor
contínuo
Š Aprende uma função definida em termos de
uma média sobre uma quantidade randômica
Š Saídas são variáveis contínuas
„ Exemplos
Š Aproximação de funções, fusão de sensores
„ Tarefa: dado um conjunto de exemplos {y(t1),
y(t2),..., y(tn)}, prever a saída y(tn+1) no instante
de tempo tn+1
Š Caso especial de regressão
„ Exemplos
Š Previsão estrutura secundária de proteínas, de tempo,
vendas, de preço de ações na bolsa, de desgaste de
peças, etc.

André de Carvalho André de Carvalho

19 20

LABIC Controle LABIC Memória associativa

„ Rede gera entrada de controle para que um „ Rede associa um dado padrão de entrada a
sistema siga uma trajetória especificada por um um padrão de saída
modelo de referência Š Hetero-associativa
Š Modelo definido por conjunto de tuplas {x(t), y(t)} Š Auto-associativa
„ Exemplo y Associa um padrão a ele mesmo

Š Controle de processos químicos „ Exemplos

Š Controle de robôs Š Associar voz à imagem, recuperar itens de um
BD utilizando eles mesmos como endereços
André de Carvalho André de Carvalho
21 22

LABIC Clustering/agrupamento LABIC Otimização

„ Rede explora semelhanças entre padrões e „ Tarefa: encontrar solução que satisfaça um
agrupar padrões parecidos conjunto de restrições
Š Também conhecido como aprendizado não Š Maximização / minimização de uma função objetivo
supervisionado „ Exemplos
Š Análise de dados Š Alinhamento de seqüências
y Extrai informações de um conjunto de dados
Š Problema de corte
Š Exemplos
Š Problema do caixeiro viajante (NP completo)
y Mineração de dados, compressão de dados
Š Problema do container
André de Carvalho André de Carvalho
23 24

4
4
LABIC Conceitos básicos LABIC Unidades de processamento

„ Principais aspectos das RNA „ Função: receber entradas de conjunto de

Š Arquitetura unidades A, computar função sobre entradas e
y Unidades de processamento (nodos) enviar resultado para conjunto de unidades B
y Conexões „ Entrada total w
y Topologia
x1 1

Š Aprendizado N x2 w2 f f(∑xjw j)
(∑xw) y
y Algoritmos u = ∑ x jwj wN
j =1
y Paradigmas
xN
André de Carvalho André de Carvalho
25 26

LABIC Estrutura genérica de uma RNA LABIC Unidades de processamento

camadas „ Representação
intermediárias
camada de
camada Š Local: unidades representam objetos bem definidos
de (Ex. letras, palavras, faces, ...)
entrada
saída
Š Distribuída: unidades representam elementos
abstratos
„ Localização das unidades
Š Intermediária (escondida)
Š Saída
conexões
André de Carvalho André de Carvalho
27 28

LABIC Conexões LABIC Topologia

„ Definem como neurônios estão interligados „ Número de camadas

„ Codificam conhecimento da rede Š Uma camada (Ex Perceptron, Adaline)
Š Multi-camadas (Ex MLP, RBF)
„ Tipos de conexões (wik)
y Completamente conectada
Š Excitatória: (wik > 0)
y Parcialmente conectada
Š Inibitória: (wik < 0)
y Localmente conectada
„ Número de conexões de um nodo
Š Fan-in
Š Fan-out
André de Carvalho André de Carvalho
29 30

5
5
LABIC Completamente conectada LABIC Parcialmente conectada

Camada i Camada i +1 Camada i Camada i +1

André de Carvalho André de Carvalho

31 32

LABIC Localmente conectada LABIC Topologia

„ Arranjo das conexões

Š Redes feedforward
y Não existem loops de conexões
Š Redes recorrentes
y Conexões apresentam loops
y Mais utilizadas em sistemas dinâmicos
Š Lattices
y Matriz n-dimensional de neurônios
Camada i Camada i +1

André de Carvalho André de Carvalho

33 34

LABIC Redes feedforward LABIC Redes recorrentes

„ Sinais seguem em uma única direção „ Possuem conexões ligando saída da rede a
sua entrada

OU RN
RN

O Podem lembrar entradas passadas e,

Sinal
conseqüentemente, processar seqüência
O Tipo mais comum de informações (no tempo ou espaço)
André de Carvalho André de Carvalho
35 36

6
6
LABIC Aprendizado LABIC Aprendizado

„ Algoritmos de aprendizado „ Paradigmas de aprendizado

Š Conjunto de regras bem definidas para ensinar a rede Š Indicam como a RNA se relaciona com o
a resolver um problema ambiente externo
Š Podem ser agrupados em quatro categorias Š Quatro grupos principais
y Correção de erro y Supervisionado
y Hebbiano y Não supervisionado
y Competitivo y Reforço
y Termodinâmico (Boltzmann) y Híbrido
Š Divergem na maneira como os pesos são ajustados
André de Carvalho André de Carvalho
37 38

LABIC Perceptrons LABIC Problemas linearmente separáveis

„ Primeira implementação de RNA

Perímetro 0
„ Desenvolvido por Rosemblat, 1958
1
„ Rede mais simples que pode ser utilizada
para classificação de padrões linearmente
separáveis
„ Utiliza modelo de McCulloch-Pitts para o
nodo
Altura

André de Carvalho André de Carvalho

39 40

LABIC Perceptron LABIC Algoritmo de treinamento

„ Treinamento iniciar todas as conexões com wj = 0;

Š Supervisionado repita
Š Correção de erro para cada padrão de treinamento (X, d)
y ∆wij = ηxi(dj - yj) (d ≠ y) faça
y ∆wij = 0 (d = y) Calcular a saída y
„ Teorema de convergência: se é possível se (d ≠ y)
classificar um conjunto de entradas, uma então atualizar pesos
rede Perceptron fará a classificação até o erro ser aceitável
André de Carvalho André de Carvalho
41 42

7
7
LABIC Treinamento LABIC Treinamento
Vetor peso ideal 3
2
6
5
1

3 4
5
2 4

8 6 7
1
André de Carvalho André de Carvalho
43 44

LABIC Algoritmo de teste LABIC Exemplo 1

„ Ensinar uma rede Perceptron a classificar os

Para cada padrão de 1 a p faça padrões:
Classe 1 Classe 2
apresentar Xp a entrada da rede
„ Utilizar a rede treinada para classificar os padrões
calcular a saída y
se (y=-1 )
Š Codificar as entradas: = -1 e =1
então Xp ∈ classe 1
= -1-1-1 = 111
senão Xp ∈ classe 2
Š Supor: η = 0.2, Θ = 0.0 e pesos iniciais w0=0.4, w1=-0.8
e w2=0.3
André de Carvalho André de Carvalho
45 46

LABIC Exemplo 1 LABIC Exemplo 1 - treinamento

a) Treinar a rede
x0 w0 a.1) Para o padrão ⇔ -1-1-1 (d = -1)
Passo 1: definir a saída da rede
w1 u = (-1)(0.4) + (-1)(-0.8) + (-1)(0.3) = 0.1
d
x1 y = u = +1 (uma vez que 0.1 ≥ 0)
w2 Como (d ≠ y), atualizar pesos
N Passo 2: atualizar pesos
u = ∑ x jwj
x2 N
u = ∑ x jwj
w0 = 0.4 + 0.2(-1)(-1 - (+1)) = 0.8
j =1 w1 = -0.8 + 0.2(-1)(-1 - (+1)) = -0.4
j =1 w2 = 0.3 + 0.2(-1)(-1 - (+1)) = 0.7
∆wij = ηxi(dj - yj)
André de Carvalho André de Carvalho
47 48

8
8
LABIC Exemplo 1 - treinamento LABIC Exemplo 1 - teste
N
a) Treinar a rede b) Testar a rede u = ∑ x jwj
j =1
a.2) Para o padrão ⇔ 111 (d = 1) b.2) Para o padrão (-11-1)
Passo 1: definir a saída da rede u = (-1)(0.8) + (1)(-0.4) + (-1)(0.7) = -1.9 (classe 1)
u = (1)(0.8) + (1)(-0.4) + (1)(0.7) = 1.1
y = u = +1 (uma vez que 1.1 ≥ 0)
b.3) Para o padrão (1-11)
Como (d = y), não precisa atualizar pesos u = (1)(0.8) + (-1)(-0.4) + (1)(0.7) = 1.9 (classe 2)
N b.1) Para o padrão (1-1-1)
u = ∑ x jwj
j =1 u = (1)(0.8) + (-1)(-0.4) + (-1)(0.7) = 0.5 (classe 2)

∆wij = ηxi(dj - yj)

André de Carvalho André de Carvalho
49 50

LABIC Problemas com rede Perceptron LABIC Problemas com rede Perceptron

„ Redes de uma camada resolvem apenas 0, 0 →0

problemas linearmente separáveis 0, 1 →1
„ Grande número de aplicações importantes 1, 0 →1
são não linearmente separáveis 1, 1 →0

Š Exemplo de aplicação não linearmente

dependente: paridade
1

André de Carvalho André de Carvalho

51 52

LABIC Problemas com rede Perceptron LABIC Problemas com rede Perceptron

„ Solução: utilizar mais de uma camada

Š Camada 1: uma rede Perceptron para cada
grupo de entradas linearmente separáveis 1
Š Camada 2: uma rede combina as saídas das 3
redes da primeira camada, produzindo a
classificação final 2
Problema: nem sempre se
conhece a saída desejada dos
nodos da camada intermediária
André de Carvalho André de Carvalho
53 54

9
9
LABIC Rede MLP LABIC Rede MLP
camadas intermediárias
„ Multi-Layer Perceptron
camada de camada de
„ Arquitetura de RNA mais utilizada entrada saída
Š Possui uma ou mais camadas intermediárias de nós
„ Grande Funcionalidade
Š Uma camada intermediária: qualquer função
contínua ou Booleana
Š Duas camadas intermediárias: qualquer função
conexões
„ Algoritmo Backpropagation
André de Carvalho André de Carvalho
55 56

LABIC Backpropagation LABIC Backpropagation

„ Rede é treinada com pares entrada-saída
„ Procura reduzir os erros cometidos pela rede
„ Cada entrada de treinamento está associada a uma saída
Š Utiliza erro para ajustar valor dos pesos
desejada
„ Treinamento em duas fases, cada uma percorrendo a rede „ Erro de cada nodo
em um sentido Š Camada de saída
Sinal (forward)
Š Fase forward y f (Saída desejada = saída produzida)
Š Fase backward Š Camadas intermediárias
y Proporcional aos erros dos nodos da camada seguinte
conectados a ele
Erro (backward)
André de Carvalho André de Carvalho
57 58

LABIC Treinamento LABIC Teste

1) Iniciar todas as conexões com valores aleatórios

2) Repita
1) Apresentar padrão X a ser reconhecido
erro = 0
Para cada par de treinamento (X, d) 2) Para cada camada k := 1 a N
Para cada camada k := 1 a N Para cada neurônio J := 1 a Mk
Para cada neurônio J := 1 a Mk Calcular a saída yjk
Calcular a saída yjk
Comparar saída yNj com dcj para cada classe c
Se camada = k
Então calcular soma dos erros de seus neurônios Classificar padrão como pertencente a classe
Se erro > e cuja saída desejada é mais próxima da saída
Então Para cada camada k := N a 1 produzida
Para cada neurônio J := 1 a Mk
Atualizar pesos
Até erro < e
André de Carvalho André de Carvalho
59 60

10
10
LABIC Aplicações de RNA LABIC Aplicações em Bioinformática

„ Processamento de alarmes „ Aplicações

„ Reconhecimento de voz e imagem Š Reconhecimento e classificação de promotores
„ Diagnósticos Š Reconhecimento de Genes
„ Controle de robôs Š Previsão de estrutura de proteínas
„ Controle de processos químicos Š Reconhecimento de perons
„ Otimização Š Reconhecimento de splice junstions
„ Bioinformática Š Classificação de marcadores

André de Carvalho André de Carvalho

61 62

LABIC Simuladores de RNAs LABIC Simuladores de RNAs

„ Principais tipos „ Simuladores

Š Baseados em Menus e interfaces gráficas Š Comerciais
Š Baseados em biblioteca de funções (lego) y Neurolution
Š Utilizam linguagem de programação especial y Neuralware
y Matlab
Š Domínio público (acadêmicos)
http://www.faqs.org/faqs/ai-faq/neural-nets/ y SNNS
y RCS
y Aspirine/migraine
André de Carvalho André de Carvalho
63 64

LABIC Referências LABIC Computação Evolucionária

„ Haykin, S.: Neural Networks: A Comprehensive „ Sistemas computacionais baseados na teoria da

Foundation, Prentice Hall, 1999 evolução natural
„ Braga, A. de Carvalho e T. Ludermir: Redes „ Podem ser agrupados em cinco grandes
Neurais Artificiais: Teoria e Aplicações, Editora categorias:
Livro Técnico e Científico, 2000
• Algoritmos Genéticos
„ Bishop, C.: Neural Networks for Pattern • Programação Evolucionária
Recognition, Oxford University Press, 1996
• Estratégias de Evolução
„ Principe, J., N. Euliano e W. Lefebvre: Neural and • Sistemas Classificadores
Adaptive Systems, John Wiley & Sons, 2000.
• Programação Genética
André de Carvalho André de Carvalho
65 66

11
11
LABIC Algoritmos Genéticos LABIC Evolução natural

„ Algoritmos genéticos (AGs) são métodos de busca „ Na natureza

e otimização Š Indivíduos e populações competem entre si por
Š Inspirados nos mecanismos de evolução dos seres vivos recursos
Š Seguem o princípio da seleção natural e sobrevivência y Alimento
dos mais aptos y Água
Depois de várias gerações, populações naturais evoluem y Abrigo
de acordo com os princípios de seleção natural e Š Membros da mesma espécie freqüentemente
sobrevivência dos mais aptos competem para atrair um par
(Charles Darwin, A Origem das Espécies)

André de Carvalho André de Carvalho

67 68

LABIC Evolução natural LABIC Evolução natural

„ Natureza (continuação) „ Natureza (continuação)

Š Indivíduos mais bem sucedidos na sobrevivência e Š Combinação de boas características de
atração de um par terão, relativamente, mais diferentes ancestrais podem produzir indivíduos
descendentes ainda mais aptos
Š Indivíduos mal sucedidos geram poucos ou nenhum Š Espécies evoluem para se tornarem cada vez
descendente mais adaptadas ao seu ambiente
Š Genes dos indivíduos mais adaptados se espalham para Š Genética é a ciência da hereditariedade
um número cada vez maior de indivíduos, geração a y Estuda mecanismo de transmissão de caracteres de
geração uma espécie, de uma geração para outra
André de Carvalho André de Carvalho
69 70

LABIC Algoritmos Genéticos LABIC Algoritmos Genéticos

„ Método de busca e otimização „ Diferem das técnicas tradicionais de otimização,

Š Baseado na genética e teoria da seleção natural principalmente, em quatro aspectos (Goldberg)
Š Utiliza uma população de soluções candidatas Š Trabalham com um código do grupo de parâmetros, e
(indivíduos) não com os próprios parâmetros
Š Otimização ocorre em várias gerações Š Trabalham com várias possíveis soluções, e não com
uma única solução
Š A cada geração
y Mecanismos de seleção selecionam os indivíduos mais Š Usam informações de custo e funções de recompensa, e
aptos não derivadas ou outros conhecimentos auxiliares
y Operadores de reprodução geram novos indivíduos Š Usam regras probabilísticas de transição, ao invés de
regras determinísticas
André de Carvalho André de Carvalho
71 72

12
12
LABIC Algoritmos Genéticos LABIC Um Algoritmo Genético

1. Escolher população inicial de cromossomo

População inicial População final
2. Avaliar cada cromossomo da população
3. Enquanto não convergir
Avaliação 3.1 Selecionar indivíduos mais aptos
3.2 Criar novos cromossomos aplicando
População atual Seleção
operadores genéticos
3.3 Avaliar cada cromossomo da população
Reprodução

André de Carvalho André de Carvalho

73 74

LABIC Codificação LABIC Codificação

„ Solução potencial para um problema é definida por „ Genótipo

um conjunto de parâmetros (genes) Š Conjunto de parâmetros representado por um cromossomo
„ Parâmetros são combinados para formar strings de Š Contém informação necessária para construir um organismo
Š Fenótipo codificado
valores (cromossomos)
„ Fenótipo
„ Strings podem ser vetores
Š Produto da iteração de todos os genes
Š Binários 1 0 1 0 0
Š Aptidão de um indivíduo depende do desempenho de seu
Š Inteiros 1 7 -4 0 -12 fenótipo
y Inferido do genétipo
Š Reais 3.2 -1.1 0.7 9.2 -2.6
y Usa função de aptidão)
André de Carvalho André de Carvalho
75 76

LABIC Codificação LABIC Função de aptidão

„ Tradicionalmente, os indivíduos são „ Mede o grau de aptidão de um indivíduo

representados por vetores binários Š Retorna um valor de aptidão numérico proporcional a
Š 1 = presença utilidade ou habilidade do indivíduo
1 0 0 1 1 1 0 Š Aptidão é a probabilidade do indivíduo sobreviver para a
Š 0 = ausência
próxima geração
Š Esta representação é independente do problema Š Pode envolver uma (otimização de função) ou mais
Š Permite utilização dos operadores padrão medidas (otimização combinatória)
y Ex.: avaliação de projeto de ponte
• Custo, tempo de construção, capacidade máxima

André de Carvalho André de Carvalho

77 78

13
13
LABIC Seleção LABIC Seleção

Método da Roleta baseado em Aptidão Relativa „ Método da Roleta

Indivíduo Aptidão Aptidão Š Quanto maior o desempenho, maior é a chance de ser
Si f(Si) Relativa S5 S1 selecionado para a próxima geração
S1 10110 2.23 0.14 „ Elitismo
S4
S2 11000 7.27 0.47 Š Indivíduo de maior desempenho é automaticamente
S3 11110 1.05 0.07 selecionado
S3 S2
S4 01001 3.35 0.21 Š Evita modificações deste indivíduo pelos operadores
S5 00110 1.69 0.11 genéticos
André de Carvalho André de Carvalho
79 80

LABIC Reprodução LABIC Operador de crossover

„ Obtenção de novas gerações „ Recombina características dos pais

Š Indivíduos devem melhorar sua aptidão com o Š Permite que as próximas gerações herdem características
tempo desejáveis
Š Operador genético predominante Ponto de crossover
„ Operadores Genéticos Ö transformação da Pai 1 0.7 0.3 22 16 12
população
Pai 2 0.2 0.5 10 8 5
Š Mutação
Š Crossover (cruzamento) Filho 1 0.7 0.3 22 8 5

Filho 2 0.2 0.5 10 16 12

André de Carvalho André de Carvalho
81 82

LABIC Operador de mutação LABIC Critério de parada

„ Responsável pela introdução e manutenção „ Tempo de execução

de diversidade genética na população „ Número de gerações
Š Modifica genes aleatoriamente
„ Perda de diversidade
Š Reduz incidência de mínimos locais
„ Convergência
Local de mutação
Š Nas últimas k iterações não houve melhora da
Antes da mutação: 0.2 0.5 18 8 5 na aptidão
y Média
Após a mutação: 0.2 0.5 10 8 5
y Máxima
André de Carvalho André de Carvalho
83 84

14
14
LABIC Exemplo: preparo de café LABIC Referências

„ Codificação „ Goldberg, D.: Genetic Algorithms in Search, Optimization

and Machine Learning, Addison-Wesley, 1990
Š Cada indivíduo é formado por dois genes que
„ Mitchell, M.: An Introduction to Genetic Algorithms, MIT
assumem valores inteiros Press, 1998
y Número de colheres de açúcar „ Haupt, R. e S. Haupt: Practical Genetic Algorithms, John
y Número de colheres de café Wiley & Sons, 1998
„ Função de aptidão „ Lacerda, E. e A.Carvalho: Introdução aos Algoritmos
Genéticos . XVIII Jornada de Atualização em Informática,
Š Gosto do café JAI'99, XIX Congresso da Sociedade Brasileira de
Computação, páginas 51-126, 1999

André de Carvalho André de Carvalho

85 86

LABIC Sobre o uso de RNAs LABIC Projeto evolucionário de RNAs

„ Uma maior utilização de RNAs em „ AGs podem ser aplicados ao problema de

aplicações tem enfrentado dois empecilhos: projeto de RNAs de várias formas:
Š Dificuldade de definir os parâmetros mais Š Treinar uma rede com uma dada estrutura
adequados para a rede Š Descobrir estrutura, tamanho e parâmetros de
y Magia negra aprendizado da rede
Š Dificuldade de entender o processo de tomada Š Definir um algoritmo de treinamento para uma
de decisão da rede rede
y Caixa preta

André de Carvalho André de Carvalho

87 88

LABIC Projeto evolucionário de RNAs LABIC População

„ Aspectos a serem considerados „ População inicial: conjunto de redes

Š Codificação das redes aleatoriamente gerado
Š Espaço de redes a ser explorado Š Cada rede é codificada em um cromossomo
Š Adaptação dos operadores genéticos para que y Genes determinam arquitetura da rede e valores de
sejam geradas redes válidas parâmetros para algoritmo de aprendizado

Š Função de aptidão „ Cada rede gerada define seu valor de

aptidão após ser treinada

André de Carvalho André de Carvalho

89 90

15
15
LABIC Codificação LABIC Codificação

„ Existem vários parâmetros que podem ser „ Representação da rede é um aspecto chave
considerados para a otimização de redes para sua otimização por AGs
Š Número de camadas
„ Uma boa representação deve:
Š Números de unidades em cada camada
Š Ser capaz de gerar redes potencialmente
Š Grau de conectividade de uma camada para eficientes
outra
Š Excluir redes não factíveis
Š Taxa de aprendizado
Š Reduzir espaço de busca

André de Carvalho André de Carvalho

91 92

LABIC Codificação LABIC Codificação

„ Espaço de busca ideal „ Codificação pode ser

Š Pequeno Š Direta
Š Inclui as melhores redes y Especifica explicitamente cada um dos parâmetros
y Requer pouco esforço de codificação
„ Representação fechada y Ineficiente para redes grandes
Š Reprodução de redes factíveis gera redes factíveis Š Indireta
„ Poder de expressão X criação de redes não y Gera descrição abstrata ou gramatical
factíveis ou ineficientes y Pode excluir arquiteturas não factíveis
y Maior esforço para decodificação
y Melhor para redes grandes
André de Carvalho André de Carvalho
93 94

LABIC Codificação direta LABIC Codificação indireta

5
Unidade de origem
Matriz de Conectividade
1 - Presença de conexão
par. de rede camadas
1 2 3 4 5 bias 0 – Ausência de conexão 3 4
Unidade destino

1 0 0 0 0 0 0
2 0 0 0 0 0 0
3 1 1 0 0 0 0 1 Rede 2
Neural
4 1 1 0 0 0 0
ou
5 0 0 1 1 0 1 Fenótipo

000000 000000 110000 110000 001101 Taxa de Termo tamanho tamanho tamanho
cromossomo
aprendizado momentum da da da
camada 1 camada 2 camada 3

André de Carvalho André de Carvalho

95 96

16
16
LABIC Extração de conhecimento LABIC Extração de conhecimento

„ RNAs têm sido bem sucedidas em vários „ Capacidade de explicação é essencial em

problemas práticos sistemas críticos
„ Entretanto, elas não conseguem explicar, em uma Š Validar a saída da rede sob todas as condições
forma compreensível, o que motiva sua decisão possíveis de entrada
Š Usuário final tem pouco (ou nenhum) conhecimento Š Exemplos:
de como a rede toma suas decisões y Sistema de navegação de aviões
y Usinas hidroelétricas e nucleares
y Diagnóstico médico

André de Carvalho André de Carvalho

97 98

LABIC Extração de conhecimento LABIC Extração de conhecimento

„ Para sua maior aceitação, é desejável que
uma capacidade de explicação seja parte da
funcionalidade de RNAs treinadas
Š Caso contrário, os usuários podem não confiar
nas decisões da rede
Š Várias pesquisas têm sido realizadas para
proporcionar às RNAS capacidade de
explicação do conhecimento adquirido
„ Parcela significativa deste esforço tem sido
orientado ao desenvolvimento de técnicas de
extração de regras
Š Conjunto de regras simbólicas que representem o
conhecimento adquirido por uma RNA treinada
Š Outros formatos também têm sido utilizados para
representar o conhecimento extraído
y Árvores de Decisão, Regras Fuzzy

André de Carvalho André de Carvalho

99 100

LABIC Extração de conhecimento LABIC Extração de conhecimento

„ Também tem havido progressos em duas „ Definição

áreas relacionadas: Dada uma Rede Neural treinada e os exemplos
Š Técnicas para extrair representações de utilizados para treiná-la, produzir uma descrição
máquinas de estado finito de redes recorrentes simbólica curta e precisa da rede, Shavlik, 1994
Š Uso de RNAs para refinar uma base de regras
previamente definida
„ Custo
y Regras podem ser inseridas em uma RNA para Š Recursos utilizados
incorporar conhecimento de especialistas Š Esforço adicional

André de Carvalho André de Carvalho

101 102

17
17
LABIC Extração de conhecimento LABIC Extração de conhecimento

„ Principais benefícios „ Vários algoritmos têm sido propostos para a extração de

conhecimento
Š Permite validação da rede Š TREPAN
Š Permite investigação de dados e indução de Š COMBO
novas teorias científicas Š RULEX
Š KT
Š Facilita integração de sistemas simbólicos e
Š EN
conexionistas Š TopGen
Š Usuário se sente mais confiante em utilizar Š KBANN
solução da rede Š BRAINNE
Š Permite refinamento da rede
André de Carvalho André de Carvalho
103 104

LABIC Extração de conhecimento LABIC Extração de conhecimento

„ Critérios de classificação „ Abordagens para extração de conhecimento

Š Poder de expressão (formato da regra) das Š Decomposicional
regras extraídas y Utiliza pesos e estados de ativação da rede treinada
Š Qualidade das regras extraídas Š Pedagógica (ou caixa preta)
y Procuram simular mapeamento entrada-saída
Š Complexidade algorítmica da técnica
Š Eclética
Š Portabilidade da técnica
y Combinação das abordagens anteriores
Š Abordagem para extração do conhecimento
Š Composicional
y Extrai regras de grupos de nodos
André de Carvalho André de Carvalho
105 106

LABIC Algoritmo TREPAN LABIC Algoritmo TREPAN

„ TREs PArroting Networks conjunto de

Š Proposto por Craven e Shavlik treinamento
rotulado pela
Š Representa o conhecimento extraído de uma RNA RNA treinada
na forma de uma Árvore de Decisão árvore de
TREPAN decisão
y Árvore de Decisão é construída utilizando a RNA
treinada e os dados utilizados para o seu treinamento exemplos artificiais
rotulados pela
y Não leva em consideração arquitetura da rede RNA treinada
y Utiliza a rede como um oráculo
Esquema geral do algoritmo TREPAN

André de Carvalho André de Carvalho

107 108

18
18
LABIC Algoritmo TREPAN LABIC Algoritmo TREPAN

2 de (salário ≤ 2.500, possui casa própria, „ Construção da árvore

tem curso superior, é casado) Š Classe associada a cada exemplo é definida pelo oráculo
F V y RNA treinada
Š Classe definida pelo oráculo pode não ser a mesma classe
patr_liq ≤ 60.000 Adimplente definida no conjunto de treinamento
y RNA treinada pode cometer erros
Š Principal objetivo: construir uma árvore que represente o
Inadimpl. aplicações > 5.000
conhecimento embutido na RNA treinada

Inadimpl. Adimplente
André de Carvalho André de Carvalho
109 110

LABIC IA e Bioinformática LABIC IA em Bioinformática

„ Bioinformática
Redes Neurais, Algorítmos genéticos
Š Pesquisa e desenvolvimento de ferramentas
computacionais para a resolução de problemas
da Biologia
BIOLOGIA
COMPUTAÇÃO y Biologia molecular

A Computação está para a Biologia da mesma

Bioinformática forma que a Matemática está para a Física.
Harold Morowitz
André de Carvalho André de Carvalho
111 112

LABIC IA em Bioinformática LABIC IA em Bioinformática

„ Nos últimos anos, diversos laboratórios têm
trabalhado no seqüenciamento de vários genomas
Š Até o ano 2000:
y Mais que 30 organismos tinham sido seqüenciados
y Cerca de 150 organismos estavam sendo seqüenciados
„ Determinação da seqüência de nucleotídeos em
uma molécula é o primeiro passo para:
Š Entender o funcionamento e
Š Conhecer as localizações de todos os genes e sítios
André de Carvalho regulatórios nas moléculas
113
„ Ênfase está se deslocando progressivamente
da acumulação de dados para a sua
interpretação
Š Com os seqüenciamentos realizados, uma grande
quantidade de dados tem sido gerada
Š Estes dados precisam agora ser analisados
Š Análise laboratorial destes dados é difícil e cara
y Ferramentas computacionais sofisticadas são
necessárias para a análise dos dados obtidos
André de Carvalho
114

19
19
LABIC IA em Bioinformática LABIC Biologia Molecular

„ Para muitas destas análises, as ferramentas „ Estudo da biologia no nível molecular

computacionais precisam lidar com dados „ Células: pequenas estruturas, que constituem
imprecisos e ruidosos os organismos
y Erro ou imprecisão na medição dos valores ou
definição das classes „ Macromoléculas das Células
y Inteligência Artificial fornecem técnicas eficientes Š Ácidos Nucléicos – Nucleotídeos
para lidar com problemas deste tipo y DNA
y RNA
Š Proteínas – Aminoácidos
André de Carvalho André de Carvalho
115 116

LABIC Biologia molecular LABIC Biologia Molecular

„ Dogma central da Biologia Molecular
Š Transferência de Informação

Replicação DNA

Transcrição

RNA

Tradução

André de Carvalho André de Carvalho Proteínas

117 118

LABIC Biologia Molecular LABIC Biologia Molecular

„ Algumas descobertas posteriores não „ DNA (Ácido Desoxirribonucleico)

coincidiram com este Dogma: Š O DNA é ma molécula dupla fita, que se
Š RNA pode sofrer replicação em alguns vírus e entrelaçam formando uma hélice dupla
plantas Š DNA é composto de quatro nucleotídeos diferentes
Š RNA viral, através de uma enzima denominada y Adenina, Citosina, Guanina e Timina
transcriptase reversa, pode ser transcrito em DNA y Fitas são mantidas juntas por ligações
que conectam cada nucleotídeo de uma
Š DNA pode diretamente traduzir proteínas
fita ao seu complemento na outra
específicas • A se liga com T e C se liga com G
y Sem passar pelo processo de transcrição

André de Carvalho André de Carvalho

119 120

20
20
LABIC Biologia Molecular LABIC Biologia Molecular

„ Genes „ Proteínas
Š Subseqüências de DNA Š Definem estrutura, função e mecanismos
y Localizados no cromossomo regulatórios das células
Š Servem como molde para a produção de y Exemplos de mecanismos regulatórios: controle do
proteínas ciclo celular, transcrição gênica

Š Encaixadas entre os genes estão segmentos Š Seqüências lineares

chamados de regiões não codificadoras y Compostas de 20 aminoácidos diferentes
y Três nucleotídeos (tripla) formam um aminoácido

André de Carvalho André de Carvalho

121 122

LABIC Biologia Molecular LABIC Biologia Molecular

„ Expressão gênica
Š Processo pelo qual genes são usados para
produzir proteínas
Š Mecanismos são diferentes para organismos:
y Eucariotos
• Material genético difuso nas células (Ex.: bactérias)
y Procariotos
• Material genético em um núcleo (Ex.: seres humanos)

André de Carvalho André de Carvalho

123 124

LABIC Processo de expressão gênica LABIC Processo de expressão gênica

DNA DNA
RNA Polimerase RNA Polimerase
T GCAGCTCCGGACTCCAT... TGCAGCTCCGGACTCCAT...

promotor Transcrição mRNA

promotor Transcrição mRNA

A ACGUCGAGGCCUGAGGUA...

André de Carvalho André de Carvalho

125 126

21
21
LABIC Processo de expressão gênica LABIC Processo de expressão gênica
DNA
DNA RNA Polimerase
RNA Polimerase
TGCAGCTCCGGACTCCAT...
TGCAGCTCCGGACTCCAT...
promotor Transcrição mRNA
promotor
Transcrição
mRNA
Ribossomo ACGUCGAGGCCUGAGGUA...
ACGUCGAGGCCUGAGGUA...
Tradução
Ribossomo
Tradução Ser His
Ser
Cys Gly Leu
His
André de Carvalho André de Carvalho
127 128

LABIC Processo de expressão gênica LABIC Processo de expressão gênica

„ Transcrição „ Transcrição depende do organismo

Š RNA polimerase é a molécula (enzima) que Š Organismos eucariotos,
transcreve DNA em RNA y Cada gene é transcrito independentemente
Š RNA polimerase começa a transcrição após se y Existe um promotor antes de todo gene
ligar a um sinal regulatório no DNA chamado Š Organismos procariotos
promotor y Vários genes consecutivos podem ser transcritos em
Š Gera molécula de RNA mensageiro uma única molécula de RNA
y Não existe necessariamente um promotor antes de
cada gene

André de Carvalho André de Carvalho

129 130

LABIC Processo de expressão gênica LABIC Processo de expressão gênica

„ Tradução „ Estrutura de leitura

Š Sintetiza uma proteína utilizando como forma RNA Š Para uma dada faixa de DNA, nucleotídeos podem
mensageiro (mRNA) ser agrupados em triplas de três formas diferentes
Š Leitura do mRNA é feita por uma molécula chamada de y Um dos nucleotídeos pode ocupar a 1a, 2a ou 3a
ribossomo posição em um codon
y Mensagem lida é utilizada para montar uma cadeia de proteína y Apenas um destes três possíveis agrupamentos é
• Tripla de nucleotídeos consecutivos (codon) codifica um realmente lido pelo ribossomo
aminoácido y O agrupamento lido é chamado de estrutura de
Š Código genético: mapeamento de codons em leitura do gene
aminoácidos A T T AC G A A G
André de Carvalho André de Carvalho
131 132

22
22
LABIC Processo de expressão gênica LABIC Splice-junctions

„ Em organismos eucariotos, existe um outro passo „ Exons:

importante durante o processo de expressão Š Seqüências de nucleotídeos que são expressas
gênica (traduzidas em proteínas)
Š Após o DNA ser transcrito, certas partes da molécula „ Introns:
são eliminadas antes dela ser transformada em Š Seqüências intercaladas que são eliminadas na tradução
proteína
„ Splice-junctions:
„ Genes em eucariotos são formados por segmentos
Š Pontos de fronteira onde ocorrem junções de exons
alternados de exons e introns
y Doadoras: bordas exon-intron
y Aceptoras: bordas intron-exon
André de Carvalho André de Carvalho
133 134

LABIC Splice-junctions LABIC Biologia Molecular

DNA
doador
aceptor Transcrição
mRNA
exon
intron Splicing

mRNA

André de Carvalho André de Carvalho

135 136

LABIC Reconhecimento de genes LABIC Reconhecimento de genes

„ Um dos principais problemas em biologia „ Duas abordagens principais têm sido

molecular é a identificação de genes em seqüências seguidas:
de DNA não caracterizadas
„ Algoritmos convencionais não têm sido eficientes Š Busca por sinal
Š Variação natural dos genes
Š Complexidade dos genes Š Busca por conteúdo
Š Natureza pouco compreendida dos genes
„ Abordagem promissora: Aprendizado de máquina
André de Carvalho André de Carvalho
137 138

23
23
LABIC Reconhecimento de genes LABIC Reconhecimento de genes

„ Busca por sinal „ Busca por conteúdo

Š Localiza genes indiretamente Š Reconhece genes diretamente
Š Procura sinais particulares relacionados com a Š Identifica segmentos de seqüências de DNA que
expressão de genes possuem as propriedades gerais de regiões
Š Sinal codificadoras
y Região localizada do DNA que realiza uma função Š Se baseia no conhecimento das diferentes
específica (exemplo: se liga a uma enzima) propriedades estatísticas de regiões codificadoras
e não codificadoras

André de Carvalho André de Carvalho

139 140

LABIC Busca por sinal LABIC Busca por sinal

„ É importante não apenas entender a função „ Detecção de sinal já é um problema em si

de cada gene Š Vários sinais que podem ser identificados em
Š Mas também os mecanismos que regulam a seqüências de nucleotídeos são importantes para a
identificação de genes
expressão do gene
y Sítios de início de transcrição (promotores)
Š Vários sinais exercem importantes funções y Sítios de término de transcrição (terminadores)
regulatórias definindo: y sítios de splice-junction
y Condições sob as quais os genes são expressos y Sítios de início da tradução (codons de iniciação)
y Taxa com a qual a expressão ocorre y Sítios de término da tradução (codons de parada ou stop
codons)
André de Carvalho André de Carvalho
141 142

LABIC Busca por sinal LABIC Busca por sinal

„ Diferentes sinais têm diferentes dificuldades de Promotor na posição 3?

identificação
Classificador
Š Codons de parada são facilmente identificados
Š Identificação de outros sinais é mais complicada Posição 1 = ‘C’
Posição 2 = ‘T’
„ Busca por sinal é uma tarefa de classificação Representação das Posição 3 = ‘T’
Posição 4 = ‘A’
Š Dada uma janela de tamanho fixo de um DNA, características Posição 5 = ‘C’
determinar se ela contém um sinal de interesse Posição 6 = ‘G’
y Se uma característica identificável do sinal ocupa
uma posição particular na janela Seqüência de DNA ... A T C G T G C T T A C G C G T C C A
1 2 3 4 5 6
André de Carvalho André de Carvalho
143 144

24
24
LABIC Rec. de início da tradução LABIC Reconhecimento de promotores

„ Reconhece codons de iniciação „ Sinal regulatório de uma molécula de DNA onde

„ Tradução de mRNA em proteína não começa
com sua primeira tripla de nucleotídeos
„ Em organismos procariotos, uma simples
molécula de mRNA pode ter vários sítios de
início de tradução
Š Genes consecutivos podem ser transcritos em uma
única cadeia de mRNA
RNA polimerase se liga para começar a transcrição
Š RNA polimerase é uma molécula que transcreve DNA
em RNA
Š Auxilia na localização de genes no DNA
Š Existem sítios amplamente aceitos como sendo as
regiões que fornecem as carecterísticas definidoras de
promotores
y Regiões 10 e 35

André de Carvalho André de Carvalho

145 146

LABIC Busca pelo conteúdo LABIC Busca pelo conteúdo

„ Identifica genes reconhecendo padrões que que „ Busca por conteúdo procura responder as
ocorrem na sua seqüência de nucleotídeos seguintes perguntas:
Š Regiões do DNA que serão traduzidas em proteínas Š Quais são as regiões codificadoras
y Organismos procariotos: distinguir genes de regiões
Š Para uma dada região, que faixa e qual estrutura
não codificadoras
de leitura codifica a proteína
y Organismos eucariotos: distinguir também introns
de exons „ Várias propriedades podem ser exploradas
Š Janelas de tamanho fixo também são utilizadas para para distinguir regiões codificadoras de não
esta previsão codificadoras
André de Carvalho André de Carvalho
147 148

LABIC Busca pelo conteúdo LABIC Reconhecimento de genes

„ Propriedades que podem ser exploradas: „ Abordagens mais promissoras em

Š Alguns aminoácidos são usados mais freqüentemente que reconhecimento de genes:
outros em regiões codificadoras
Š Combinam previsão de vários sinais diferentes
Š A existência de diferentes números de codons para e regiões codificadoras
aminoácidos diferentes
Š Codons que mapeiam em um dado aminoácido não são „ Reconhecimento de operons
usados igualmente na maioria dos organismos Š Genes consecutivos que são ativados ou
Š Não podem conter codons de parada desativados em conjunto
Š Alguns codons têm maior probabilidade de serem
vizinhos
André de Carvalho André de Carvalho
149 150

25
25
LABIC Árvores de Decisão LABIC Árvores de Decisão
Entrada: Cadeia de nucleotídeos
„ Organizam informações em estrutura composta
Posição 8 = ? Regiões
RegiõesDoadoras
Doadoras
de nós e ramificações
Š Nós: testes sobre atributos; A C G T

Š Ramos: resultados dos testes.

Posição 3 = ? Positivo Negativo Posição 9 = ?
„ Lapedes et al (1989): detecção de regiões de
splicing A C G T A C G T
Š Regiões doadoras
Negativo Positivo Negativo Negativo
Š Regiões receptoras Negativo
Negativo Negativo Positivo
André de Carvalho André de Carvalho
151 152

LABIC Redes Neurais Artificiais LABIC Redes Neurais Artificiais

„ Stormo et al (1982): reconhecimento de sítios de início Sítios de Início de Tradução

de tradução no DNA de bactérias E. Coli
Š Rede Perceptron
y Utilizou janelas de 61, 71 e 101 nucleotídeos
y Usaram 124 instâncias positivas e 167 negativas
y Instâncias positivas foram alinhadas de forma que o codon de
iniciação para cada instância ocupasse as mesmas posições na janela
A C G T A C G T A C G T
Š Primeira aplicação de Redes Neurais em Bioinformática
„ Reese at al (1997): classificação de regiões de splicing ... A T C G T G C T T A C G C G C G T C C A ...
Š Rede MLP com duas camadas intermediárias
André de Carvalho André de Carvalho
153 154

LABIC Regiões de splicing LABIC Redes Neurais Artificiais

Trabalho Problema abordado

Sistema Nenhum Exon-Intron Intron-Exon Towell et al (1990) Reconhecimento de genes
KBANN 4.62 7.56 8.47
MLP 5.29 5.74 10.75 (sítios de início de transcrição)
PEBLS 6.86 8.18 7.55 Uberbacher et al Servidor de análise de seqüências
PERCEPTRON 3.99 16.32 17.41 (1993) (GRAIL - identificação de genes)
ID3 8.84 10.58 13.99
COBWEB 11.80 15.04 9.46 Riis et al (1995) Estrutura de proteínas
Near. Neighbor 31.11 11.65 9.09 Polyac et al (1992)
Wu et al (1997) Classificação de proteínas
André de Carvalho André de Carvalho
155 156

26
26
LABIC Algoritmos Genéticos LABIC Raciocínio Baseado em Casos

„ Sistemas computacionais que solucionam

„ Predição da estrutura de proteínas: Unger et al (1993),
Yap et al (1999) problemas novos por analogia com antigos
„ Alinhamento de seqüências: Zhang e Wong (1997) „ Reconhecimento de genes
Š Identificar: „ Alinhamento de seqüências
y Inserções G A C G T G C „ Harris et al (1993): desenvolveu a ferramenta
y Remoções ClassX
G A A ∅ T ∅ C
y Substituições
G A A ∅ T G C Š Classificação de novas seqüências de aminoácidos em
domínios de proteínas utilizando casos anteriores

André de Carvalho André de Carvalho

157 158

LABIC Support Vector Machines LABIC Outras técnicas

Técnica Problema Trabalho
„ Técnica baseada na teoria de aprendizado estatístico
Redes Baysianas Detecção de genes Friedman et al
Š Embute conceitos probabilísticos e estatísticos
(2000)
„ Encontra um hiperplano ótimo que separa classes em
um espaço abstrato Cadeias de Detecção de genes Eddy (1998)
Š Redução da ocorrência de overfitting
Markov
„ Brown et al (1999): classificação de genes a partir de RNAs, AGs e k- Estrutura de Guan et al (1994)
DNA microarray viz. mais próx. proteínas
„ Ding e Dubchak (2001): previsão de estrutura de Lingüística Previsão da Dond e Searls
proteínas computacional estrutura de genes (1994)
André de Carvalho André de Carvalho
159 160

LABIC Referências de IA e Bioinformática LABIC

Conclusão
„ Artificial Intelligence and Molecular Biology „ Redes Neurais
Š Editado por Lawrence Hunter, AAAI Press Book Š Principais aspectos
Š Disponível gratuitamente na internet
„ Algoritmos Genéticos
„ Bioinformatics (Adaptive Computation and Machine
Learning) Š Aplicações
Š Pierre Baldi, Soren Brunak, Sren Brunak, MIT Press „ Sistemas Inteligentes Híbridos
„ Neural Networks and Genome Informatics „ Aplicações de IA em Bioinformática
Š Cathy H. Wu, Jerry W. McLarty, Elssevier
„ Data Analysis and Classification for Bioinformatics
Š Arun Jagota
André de Carvalho André de Carvalho
161 162

27
27
LABIC Agradecimentos

„ Ana Carolina Lorena

„ Cláudia Regina Milaré
„ Estéfane Lacerda
„ Humberto de Sousa
„ Silvia Gorla da Silva

André de Carvalho
163

28
28