Palestrante: Lucas Maciel Vieira(doutorando)

Orientadora: Profa Maria Emilia M. T. Walter

Título: Competing Endogenous RNA Network in Colorectal Cancer

Resumo: Colorectal cancer (CRC) is a heterogeneous cancer. Its treatment depends on its anatomical site and distinguishes between colon, rectum, and rectosigmoid junction cancer. This study aimed to identify diagnostic and prognostic biomarkers using networks of CRC associated transcripts that can be built based on competing endogenous RNAs (ceRNA).

Horário: 14h30

Palestrante: Daniel da Silva Souza (doutorando)

Orientadora: Profa Maria Emilia M. T. Walter

Título: Uma modelagem baseada em agente para reconstrução de redes de regulação gênica

Resumo:Interações entre produtos de genes são processos fundamentais que sustentam a capacidade da célula de mudular a expressão gênica. Várias técnicas de medidas de alto desempenho segmentaram um caminho para o uso de abordagens estatísticas para reconstruir essas interações. Para modelagem, reconstrução e análise dessas redes, há diferentes representações de redes que variam desde modelos estáticos aos modelos dinâmicos e cinéticos, o que variam em níveis de complexidade do modelo. Em contra-partida, dos modelos mais complexos aos mais simples há um aumento na complexidade de abstração do sistema da rede para valores discretos. Entretanto, redes de regulação gênica são representações abstratas do sistema e, por si só, não têm uma representação semântica que poderia vincular a rede ao comportamento dos nós (produtos de genes), por exemplo, sua dinâmica coletiva. Para reconstrução de uma rede com uma representação semântica do comportamento dos produtos de genes, uma abordagem multiagente é capaz de capturar essa semântica em uma dinâmica coletiva entre os produtos de genes com baixa complexidade de modelo em valores discretos, sendo estes produtos de genes os agentes que interagem entre si. Em seguida, dados experimentais produzidos em laboratório de genes regulados pela proteína p53 foram coletados e integrados para realização de nossos experimentos. Os experimentos simulados apontam a versatilidade do modelo na reconstrução de redes de regulação gênica.

Horário: 15h

Palestrante: João VIctor de Araujo Oliveira (doutorando)

Orientadora: Profa Maria Emilia M. T. Walter

Título: Identificação de Telomerase RNA em Fungos

Resumo:The Telomerase RNA (TER) is an essential component of the telomerase ribunocleoprotein process and it varies substantially both in sequence composition and size (from 150 nt to more than 2 kb). In yeasts, TERs is large, usually more than 1000 nt and contains elements that have been extensively studied across several disparate species. However, they are very difficult to detect by homology-based methods even in closer yeast species. This happens because TER sequences evolve rapidly at nucleotide level, are subject to large variations in size, and are highly plastic with respect to their secondary structures. The goal of this work is to apply Machine Learning and Bioinformatics technics to identify an better understand the TER in fungi, especially on yeasts. Nevertheless, since we have no many sequences available, and the sequences we have are highly divergent, we started this project trying to look for new TERs in a specific subnarrow group of yeasts, the Candida subgroup. When we have more knowledge about Candida TERs, we would expand our searches in subgroups closer to Candida, expanding, then, the knowledge about TER in several other yeasts species.

Horário: 15h30

Palestrante: Diego Santos Kieckbusch (mestrando)

Orientador: Prof Li Weigang

Título: Short Text Classification Through Deep Learning: aHybrid Meta-Embedding Approach to Invoice Classification

Resumo:Nota Fiscal Eletrônica (NF-e) é um documento digital que registra as transações de bens e serviços em um território. Determinar o código correto de um produto a partir de sua descrição é um problema difícil no contexto de textos curtos. As técnicas tradicionais de mineração de textos encontram dificuldades ao lidar com textos curtos devido ao baixo número de palavras e ausência de contexto. As soluções para processamento de textos curtos tem se voltado para a área de processamento de linguagem natural. PLN prove técnicas, como vetores de palavras e modelos de linguagem baseados em transformers, que quando combinados com redes neurais artificias permitem melhor aprendizado de representação para sentenças e textos curtos. Neste trabalho, nos utilizamos de camadas convolucionais e unidades BI-LSTM para criar uma arquitetura hibrida CNN-BILSTM que trabalha com representações a nível de palavra e caráter. Nosso objetivo é a criação de um modelo para a classificação automática de notas fiscais eletrônicas. A classificação automática destes documentos serviria de base para outras aplicações valiosas como a detecção de fraudes e análise da cadeia de valor.

Local: Teams MS - Equipe PPGI-316415 Seminário, Canal Seminários 2-2020

https://teams.microsoft.com/l/channel/19%3af51d2e3473d64c379d2b885d659a05dc%40thread.tacv2/Semin%25C3%25A1rios%25202-2020?groupId=93b66213-b249-467a-bcbe-dcd4255edf95&tenantId=ec359ba1-630b-4d2b-b833-c8e6d48f8059

Profa Célia Ghedini Ralha (Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.)

Coordenadora Seminários de Pós-Graduação em Informática 2-2020