MYOP: um arcabouço para predição de genes ab initio\"

• Main Author: Kashiwabara, Andre Yoshiaki
• Publication Date: 2007
• Format: Master thesis
• Language: por
• Source: Biblioteca Digital de Teses e Dissertações da USP
• Download full: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-25112009-151237/
• topic: bioinformática; Bioinformatics; cadeia de Markov oculta generalizada.; gene prediction; generalized hidden Markov model; predição de genes

A demanda por abordagens eficientes para o problema de reconhecer a estrutura de cada gene numa sequência genômica motivou a implementação de um grande número de programas preditores de genes. Fizemos uma análise dos programas de sucesso com abordagem probabilística e reconhecemos semelhanças na implementação dos mesmos. A maior parte desses programas utiliza a cadeia oculta generalizada de Markov (GHMM - generalized hiddenMarkov model) como um modelo de gene. Percebemos que muitos preditores têm a arquitetura da GHMM fixada no código-fonte, dificultando a investigação de novas abordagens. Devido a essa dificuldade e pelas semelhanças entre os programas atuais, implementamos o sistema MYOP (Make Your Own Predictor) que tem como objetivo fornecer um ambiente flexível o qual permite avaliar rapidamente cada modelo de gene. Mostramos a utilidade da ferramenta através da implementação e avaliação de 96 modelos de genes em que cada modelo é formado por um conjunto de estados e cada estado tem uma distribuição de duração e um outro modelo probabilístico. Verificamos que nem sempre um modelo probabilísticomais sofisticado fornece um preditor melhor, mostrando a relevância das experimentações e a importância de um sistema como o MYOP.