“Bicentenário da Independência: 200 anos de ciência, tecnologia e inovação no Brasil e 96 anos de contribuição da UFV”.
8 a 10 de novembro de 2022
Trabalho 16837
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Ciência da computação |
| Setor | Departamento de Informática |
| Bolsa | CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Caio Von Rondow Morais |
| Orientador | RICARDO DOS SANTOS FERREIRA |
| Outros membros | Olavo Alves Barros Silva |
| Título | Algoritmos de Travessia e Aprendizado de Maquina com grafos de Redes Reguladores de Genes |
| Resumo | As Redes de Regulação Genética podem ser modeladas para representar células com uma estrutura de grafos, utilizando expressões booleanas. Estas redes são utilizadas no estudo da comunicação celular, assim como na pesquisa e tratamento de doenças. Este trabalho propõe mapear os grafos das redes em arquiteturas reconfiguráveis de alto desempenho. Nesse sentido, objetiva-se utilizar uma metaheurística de têmpera simulada (Simulated Annealing) e um algoritmo aprendizado de máquina para auxiliar na tomada de decisão para a escolha da sequência de nós a serem mapeados dentro da arquitetura através de um algoritmo de travessia (Interlace). Como metodologia para a realização deste trabalho, foi construída uma base de dados de características de 21 redes, buscando as medidas de centralidade dos nós dos grafos, como a intermediação; autovetor, e centralidade por proximidade, as quais foram retiradas utilizando a biblioteca em Python chamada Networkx; ainda para constituir essa base de dados, também foram usadas informações retiradas de 1000 mapeamentos feitos através da têmpera simulada, como a distância entre dois nós dentro da arquitetura e a pior dessas distâncias em todo o mapeamento, sendo que essa última foi utilizada como parâmetro para estabelecer a qualidade do posicionamento final, isto é, quanto menor for esse valor, melhor será o resultado. Em seguida, tendo sido coletadas essas informações, foi utilizada uma estratégia de aprendizado de máquina chamada de árvore de decisão, objetivando encontrar características que fossem diretamente proporcionais aos resultados de mapeamento mais desejados, ou seja, os atributos das Redes de Regulação Genética que diminuíssem a maior distância entre dois nós dentro de uma arquitetura. Atualmente, o algoritmo de travessia ainda seleciona os nós que serão posicionados através de uma busca em largura dentro da Rede de Regulação de forma indiscriminada, o que o torna menos eficaz se comparado ao Simulated Annealing, mas, tendo os atributos mais relevantes, espera-se que o posicionamento feito pelo Interlace seja guiado, escolhendo nós com um impacto maior no custo final para serem mapeados primeiro, já que assim eles teriam mais possibilidades de posicionamento dentro da arquitetura. |
| Palavras-chave | algoritmos de otimização, arquiteturas FPGA, Redes reguladoras de Genes |
| Forma de apresentação..... | Vídeo |
| Link para apresentação | Vídeo |
|---|