Desenvolvimento e aplicação de modelo de Active Learningpara o contexto da medicina por imagem

/Simulação de Enovelamento de Proteínas com Enterramento Atômico utilizando NAMD em Ambiente de Alto Desempenho

/Ajuste Dinâmico de Dificuldade em Jogo de Plataforma

Horário: 14h00

Palestrante: André Lauar Sampaio Meirelles (doutorando)

Orientadores: Prof George Teodoro

Título: Desenvolvimento e aplicação de modelo de Active Learningpara o contexto da medicina por imagem

Resumo: Active learning procura identificar um conjunto de treinamento mínimo capaz de produzir um modelo de previsão capaz de gerar um determinado nível de acurácia. O propósito do presente trabalho é otimizar o processo de treinamento, ao selecionar o menor conjunto de treinamento possível, bem como fazê-lo no menor tempo possível.

 

Horário: 14h30

Palestrante: Emerson de Araujo Macedo (doutorando)

Orientadora: Profa Alba Melo

Título: Simulação de Enovelamento de Proteínas com Enterramento Atômico utilizando NAMD em Ambiente de Alto Desempenho

Resumo:A função biológica que uma proteína desempenha em nosso organismo está relacionada com sua estrutura nativa, ou seja, a configuração tridimensional (3D) funcional da sua molécula. Uma proteína assume essa configuração 3D através de um processo chamado de enovelamento. Duas questões que envolvem a pesquisa sobre o problema do enovelamento de proteínas são: (i) qual é o código físico do enovelamento, isto é, como as propriedades físico-químicas codificadas na sequência de aminoácidos, sua configuração geométrica unidimensional (1D), determinam a configuração 3D nativa? (ii) é possível desenvolver uma solução computacional que permita predizer a configuração 3D nativa a partir de sua configuração 1D primária? O enterramento atômico é uma hipótese para responder à primeira questão. Trata-se de uma medida relacionada a propriedades como o efeito hidrofóbico e as pontes de hidrogênio e indica a distância física de cada átomo da proteína ao centro geométrico de sua estrutura 3D nativa. Sabe-se que este enterramento atômico possui informação suficiente para se determinar a configuração 3D nativa de pequenas proteínas globulares. A simulação de dinâmica molecular (MD, Molecular Dynamics) é um método computacional que auxilia tanto o processo experimental de determinação de estruturas de proteínas quanto a pesquisa e projeto de novos fármacos para tratar doenças relacionadas, como Alzheimer e Parkinson. A simulação MD é utilizada no estudo do código físico do enovelamento (i) e na predição de estruturas protéicas (ii). Porém, o algoritmo de simulação MD exige um alto custo computacional para modelar o processo de enovelamento de uma proteína. É neste contexto que a computação de alto desempenho é utilizada para viabilizar a simulação MD de enovelamentos de proteínas consideradas grandes e de eventos biológicos de interesse, tais como ataques a vírus HIV. Nessa apresentação, mostrarei uma solução de alto desempenho para a simulação MD, chamada NAMD, e como adaptá-la para auxiliar na pesquisa sobre o efeito do enterramento atômico no enovelamento de proteínas.

 

Horário: 15h

Palestrante: Marcos Paulo Cayres Rosa (doutorando)

Orientador: Prof Ricardo Jacobi

Título: Ajuste Dinâmico de Dificuldade em Jogo de Plataforma

Resumo:A dificuldade pode ser adaptada de acordo com o desempenho do jogador, seu estado afetivo ou a conjunção de ambos os modelos.  Neste trabalho, o objetivo é investigar um método que estima a dificuldade de níveis de jogo de plataforma e se um mecanismo híbrido de Ajuste Dinâmico de Dificuldade (ADD) permite adaptar a dificuldade ao jogador e mantê-lo em um estado de fluxo, além de  comparar sua eficiência com os outros modelos.  Para tanto, foi desenvolvido um jogo de adaptação a partir dos dados extraídos por algoritmos de análise de desempenho do jogador correlacionados aos obtidos por um sensor que captura dados fisiológicos, mais especificamente pela Atividade Eletrodermica da pele (EDA).  Além de jogar com os diferentes modelos de DDA, cada participante respondeu a questionários e teve seus dados coletados para fins de investigação.  O modelo híbrido foi capaz de manter o jogador em estado de fluxo e adaptar a dificuldade ao jogador, com resultados superiores aos outros modelos.

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