Aplicações de inteligência computacional e suporte à decisão de padrões biológicos
Inteligência computacional (IC) é um conjunto de metodologias computacionais e abordagens inspiradas na natureza para lidar com problemas complexos do "mundo real” nos quais as abordagens tradicionais são ineficazes ou inviáveis. Ou seja, IC usa princípios de modelagem ou o modelo estatístico explícito.
O aumento exponencial de dados biológicos determinou uma maior importância sobre o uso de abordagens computacionais para análise de dados. A disciplina de bioinformática cresceu a partir dessa necessidade, a síntese de informática e computadores para a organização, análise e interpretação de dados biológicos. Concomitante ao desenvolvimento da bioinformática, rápidos avanços na ciência da computação, incluindo a Internet, têm ajudado a manter o ritmo com a taxa de coleta de dados biológicos, organização e transferência. No entanto, a melhoria dos métodos de análise de dados será constantemente na demanda, especialmente aqueles que podem identificar mais rapidamente características de importância para o pesquisador e / ou fornecer modelos de reconhecimento de padrões que aumentam a especificidade e sensibilidade.
Algumas técnicas computacionais como:
• Redes Neurais Artificiais (ANNs)
• Árvores de Decisão(DTs)
• Máquina de Vetores de Suporte (SVMs)
• Redes Bayesianas (BNs)
São amplamente aplicado em pesquisa biológica para o desenvolvimento de modelos preditivos, resultando em tomadas de decisão efetivas e precisas.
Redes Neurais Artificiais
São técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento; já o cérebro de um mamífero pode ter muitos bilhões de neurônios.
Uma rede neural artificial é composta por várias unidades de processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais de comunicação que estão associados a determinado peso. As unidades fazem operações apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural Artificial vem das interações entre as unidades de processamento da rede.
A propriedade mais importante das redes neurais é a habilidade de aprender através do seu ambiente e com isso melhorar seu desempenho. Isso é feito através de um processo iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a rede neural atinge uma solução generalizada para uma classe de problemas.
Árvores de decisão
Seguem um esquema de classificação estruturada em árvore, onde os nós representam as variáveis de entrada e as folhas correspondem aos resultados de decisão. Árvores de decisão são um dos primeiras e mais importantes métodos aprendizado de máquina que têm sido amplamente aplicados para fins de classificação. Árvores de decisão são simples de interpretar e "rápido" para aprender. Ao percorrer a árvore para a classificação de uma nova amostra somos capazes de conjecturar sobre sua classe. As decisões resultantes da sua arquitetura específica permite a fundamentação adequada que lhes faz uma técnica atraente.
Máquina de Vetores de Suporte
É um conceito na ciência da computação para um conjunto de métodos do aprendizado supervisionado que analisam os dados e reconhecem padrões, usado para classificação e análise de regressão. O SVM padrão toma como entrada um conjunto de dados e prediz, para cada entrada dada, qual de duas possíveis classes a entrada faz parte, o que faz do SVM um classificador linear binário não probabilístico.
Redes bayesianas
As redes bayesianas são modelos que integram sistemas de apoio à decisão clínica e permitem capturar informação e lidar com situações de incerteza. Estas são úteis em situações de incerteza, pois determinam uma probabilidade de um certo acontecimento dependente das variáveis e das suas relações. A representação gráfica das relações de causalidade das variáveis do sistema permite uma visualização simplificada do sistema.
Uma rede Bayesiana pode ser definida como uma rede probabilística. É constituída por uma estrutura gráfica e uma distribuição de probabilidades a ela associada. Matematicamente podemos definir como B = (Pc,G) onde G é um grafo acíclico direccionado e Pc as probabilidades condicionais associadas a cada variável probabilística representada em um nó do grafo. O grafo é um grafo acíclico com nós e arcos.
O desejável no futuro, é desenvolver uma aplicação que utilize uma inteligência altificial para apoiar as decisõesbiológicas, e que permita aprendizagem da rede através da introdução de novos dados.
