Tese

Probabilistic graphical models and deep learning techniques for gene prediction (2025)

• Authors:
  • Caro, Waldir Edison Farfán
  • Durham, Alan Mitchell (Orientador)
• Autor USP: CARO, WALDIR EDISON FARFÁN - IME
• Unidade: IME
• Sigla do Departamento: MAC
• DOI: 10.11606/T.45.2025.tde-19082025-123303
• Subjects: APRENDIZADO COMPUTACIONAL; GENÔMICA; REDES NEURAIS
• Keywords: Arcabouços probabilísticos; Computational genomics; Gene prediction; Genômica computacional; Machine learning; Neural networks; Predição de genes; Probabilistic frameworks
• Agências de fomento:
  • Financiamento CAPES
• Language: Inglês
• Abstract: Dados sequenciais surgem em várias áreas de pesquisa, incluindo visão computacional, processamento de linguagem natural e biologia, apresentando desafios complexos de inferência como filtração, predição, controle e rotulação. Modelos Gráficos Probabilísticos (PGMs, do inglês Probabilistic Graphical Models) são arcabouços de estruturas matemáticas abrangentes que têm sido amplamente utilizadas para essas tarefas com sucesso significativo. Para a predição de genes, os melhores preditores atualmente focam no uso de Cadeias de Markov, como Augustus, SNAP, Genscan ou MYOP. Diversos estudos têm destacado a eficácia das Redes Neurais Profundas (DNNs, do inglês Deep Neural Networks) na resolução de problemas complexos. Esses modelos oferecem uma representação avançada que facilita as tarefas de inferência. Por exemplo, Redes Neurais Convolucionais (CNNs, do inglês Convolutional Neural Networks) têm sido empregadas para inferir sinais biológicos, sequenciar motivos e classificar pré-miRNAs, enquanto Redes Neurais Recorrentes (RNNs, do inglês Recurrent Neural Networks) são usadas para prever estruturas secundárias de proteínas. Neste trabalho, introduzimos uma estrutura que integra modelos de DNN com PGMs para aprimorar a predição de genes a partir de dados sequenciais, superando os métodos atuais. Para isso, desenvolvemos o DeepToPS, uma extensão da ferramenta ToPS, que é uma estrutura orientada a objetos com implementações eficientes de PGMs comumente utilizadas para dadossequenciais, agora incorporando DNNs. Consequentemente, o DeepToPS facilita a criação de preditores de genes utilizando modelos híbridos que combinam, de forma integrada, técnicas de aprendizado profundo com modelos gráficos
• Imprenta:
  • Publisher place: São Paulo
  • Date published: 2025
• Data da defesa: 21.03.2025

Informações sobre o DOI: 10.11606/T.45.2025.tde-19082025-123303 (Fonte: oaDOI API)
• Este periódico é de acesso aberto
• Este artigo é de acesso aberto
• URL de acesso aberto
• Cor do Acesso Aberto: gold
• Licença: cc-by-nc-sa

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  CARO, Waldir Edison Farfán. Probabilistic graphical models and deep learning techniques for gene prediction. 2025. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-19082025-123303/. Acesso em: 02 jan. 2026.

• APA

  Caro, W. E. F. (2025). Probabilistic graphical models and deep learning techniques for gene prediction (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/45/45134/tde-19082025-123303/

• NLM

  Caro WEF. Probabilistic graphical models and deep learning techniques for gene prediction [Internet]. 2025 ;[citado 2026 jan. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-19082025-123303/

• Vancouver

  Caro WEF. Probabilistic graphical models and deep learning techniques for gene prediction [Internet]. 2025 ;[citado 2026 jan. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-19082025-123303/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Análise preditiva de desempenho de workflows usando teoria do campo médio