Detalhes bibliográficos
| Ano de defesa: |
2019 |
| Autor(a) principal: |
Ronchi, Carlos Henrique Venturi |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/55/55135/tde-04022020-165648/
|
Resumo: |
Nos últimos anos dados são produzidos em uma taxa sem precedentes. Analisar todo o conhecimento obtido através de dados é cada vez mais díficil, devido a proporção das informações. Por isso, é necessário o desenvolvimento de novos métodos de análise. A análise topológica de dados é uma nova área da matemática computacional que procura estudar e entender as propriedades topológicas de dados através de ferramentas como a homologia persistente. Este método estuda de forma geral as componentes conexas, buracos e cavidades dos conjuntos de dados. Este trabalho apresenta os princípios básicos da homologia persistente, sua fundamentação teórica e assim como algumas ferramentas relacionadas, como os ciclos ótimos e imagens de persistência. Com estas ferramentas, propomos alguns modelos para o problema de enovelamento de proteínas. O primeiro é para a predição do score de estabilidade de um banco de proteínas. Alcançamos resultados próximos aos do estado da arte e apresentamos novas perspectivas para o desenvolvimento de proteínas. Já o segundo método estuda o panorama de energias de proteínas simuladas. Mostramos como a homologia persistente pode auxiliar softwares de modelagem para o desenvolvimento de proteínas mais estáveis. |
