REVISÃO SISTEMÁTICA PARA O DESENVOLVIMENTO DE UM AMBIENTE DE SIMULAÇÃO MULTIAGENTE PARA VIAS REGULATÓRIAS

Autores

  • Nilzair Barreto Agostinho Universidade Federal do Rio Grande-FURG
  • Diana Francisca Adamatti Universidade Federal do Rio Grande-FURG
  • Adriano Velasque Werhli Universidade Federal do Rio Grande-FURG Adriano Velasque Werhli

Resumo

No cenário atual da área de Sistemas Biológicos, trabalha-se para o desenvolvimento de ferramentas que possam auxiliar na obtenção de novos conhecimentos sobre as interações moleculares. De acordo com estudos, a alta complexidade dos organismos está intimamente relacionada à organização de seus componentes em rede. Devido a essa complexidade, pesquisadores têm investido no estudo de redes biológicas. As Redes Regulatórias Genéticas (GRNs) representam um mapeamento das interações que existem entre as moléculas de um organismo. Um modelo de equações diferenciais que corresponde ao esquema do ciclo circadiano da planta Arabidopsis thaliana foi proposto. Esse modelo além de lidar com um grande número de equações e parâmetros, possui limitações no conhecimento atual sobre os mecanismos de conexões específicas no sistema. Assim, para prever valores que são difíceis de analisar na natureza, utilizaremos neste trabalho, sistemas multiagentes (MAS - Multi-Agent Systems). Tratam-se de ferramentas muito flexíveis que permitem a representação de cada indivíduo presente em um sistema, facilitando, assim a avaliação de novas hipóteses no modelo. Para desenvolver esse ambiente multiagente está sendo desenvolvida uma revisão sistemática que na fase inicial foram selecionados 393 artigos e após todas as etapas realizadas foi reduzido para 6 artigos de embasamento. Estando concluída a revisão sistemática temos um referencial teórico estabelecido de maneira sistemática, disponibilizando maior precisão para o embasamento do desenvolvimento de um ambiente de simulação multiagente para vias regulatórias.

Biografia do Autor

Nilzair Barreto Agostinho, Universidade Federal do Rio Grande-FURG

Doutoranda em Modelagem Computacional, mestre em Modelagem Computacional, engenheira de Computação e Técnica em Informática. Tem experiência na área de Ciência da Computação, tendo como áreas de interesse: bioinformática, modelagem computacional, desenvolvimento web.

Diana Francisca Adamatti, Universidade Federal do Rio Grande-FURG

Associado da Sociedade Brasileira de Computação (SBC). Bacharel em Ciência da Computação pela Universidade de Caxias do Sul (2000). Mestrado em Computação pela Universidade Federal do Rio Grande do Sul (2003). Doutorado em Engenharia Elétrica (Ênfase em Sistemas Digitais e Engenharia de Computação) pela Escola Politécnica da Universidade de São Paulo (2007). Principal área de pesquisa: Inteligência Artificial.

Adriano Velasque Werhli, Universidade Federal do Rio Grande-FURG Adriano Velasque Werhli

Possui graduação em Licenciatura em Física pela Universidade do Vale do Rio dos Sinos (1998), mestrado em Computação Aplicada pela Universidade do Vale do Rio dos Sinos (2003) e doutorado em Informática - University of Edinburgh (2007) -, atuando principalmente nos seguintes temas: Machine Learning, Bayesian Networks, Genetic Regulatory Networks, MCMC, Postgenomic data integration e Algoritmos Genéticos.

Referências

AGOSTINHO, N. B. et al. Inference of regulatory networks with a convergence improved MCMC sampler. BMC Bioinformatics, v. 16, p. 306, 2015.

CHAVOYA, A.; DUTHEN, Y. A cell pattern generation model based on an extended artificial regulatory network. Biosystems, v. 94, p. 95-101, 2008.

CHAVOYA, A. et al. Use of evolved artificial regulatory networks to simulate 3D cell differentiation. Biosystems, v. 102, n. 1, p. 41-48, 2010.

CHIACCHIO, F. et al. Agent-Based Modeling of the Immune System: NetLogo, a Promising Framework. BioMed Research International, v. 2014, p. 1-6, 2014.

FILHO, A. C. A.M. Análise funcional Comparativa do Relógio Circadiano de Drosophilamelanogaster e insetos vetores. Tese (Doutorado) – Instituto Osvaldo Cruz, Programa de Pós-Graduação em Biologia Celular e Molecular, Rio de Janeiro, 2008.

FRIEDMAN, N. et al. Using Bayesian networks to analyze expression data. Journal of Computational Biology, v. 7, n. 3-4, p. 601-620, jul 2000.

GALVÃO, T.F; PEREIRA, M.G. Revisões sistemáticas da literatura: passos para sua elaboração. Epidemiol. Serv. Saúde, Brasília, v. 23, n. 1, mar. 2014.

GERRARD, C. E. et al. Combining biochemical network motifs within an ARN-agent control system. UK Workshop on Computational Intelligence (UKCI), IEEE, v. 13, p. 8-15, 2013.

GHAZIKHANI, A. et al. Genetic regulatory network inference using Recurrent Neural Networks trained by a multi agent system. International e Conference on Computer and Knowledge Engineering (ICCKE), IEEE, v. 1, p. 95-99, 2011.

GIBAS, C.; JAMBECK, P. Developing bioinformatics computer skills. Yale Journal of Biology and Medicine, v. 75, n. 2, p. 117–118, mar-Apr 2002.

GONZE, D. et al. Deterministic Versus Stochastic Models for Circadian Rhythms. Journal of Biological Physics, v. 28, n. 4, p. 637-653, 2002.

GUERREIRO, M. L. et al. Stochastic properties of the plant circadian clock. Journal of the Royal Society Interface, v. 9, n. 69, p. 744–756, 2012.

HAYDARLOU, R. et al. BioASF: A framework for automatically generating executable pathway models specified in BioPAX Bioinformatics. Oxford University Press, v. 32, p. i60-i69, 2016.

HLAVÁCKOVÁ-SCHINDLER, K. ;PEREVERZYEV, S. Lasso granger causal models: Some strategies and their efficiency for gene expression regulatory networks. Springer Verlag, v. 538, p. 91-117, 2015.

LI, R. et al. State feedback stabilization for probabilistic Boolean networks

Automatica, v. 50, p. 1272-1278, 2014.

LIU, J. et al. A Dynamic Multiagent Genetic Algorithm for Gene Regulatory Network Reconstruction Based on Fuzzy Cognitive Maps. IEEE Transactions on Fuzzy Systems, Institute of Electrical and Electronics Engineers Inc., v. 24, 419-431, 2016.

LIU, J. et al. A time series driven decomposed evolutionary optimization approach for reconstructing large-scale gene regulatory networks based on fuzzy cognitive maps. BMC Bioinformatics, BioMed Central Ltd., v. 18, p. 241, 2017.

LIU, X. ; PAN, L. Detection of driver metabolites in the human liver metabolic network using structural controllability analysis. BMC Systems Biology, v. 8, p. 51, 2014.

LOPES, F. M. Redes complexas de expressão gênica: síntese, identificação, análise e aplicações. Dissertação (Mestrado), Universidade de São Paulo, São Paulo, 2011.

MARIANO, D.C.B et al. A guide to performing systematic literature reviews in bioinformatics. RelatórioTécnico: RT.DCC.002/2017. Universidade Federal de Minas Gerais, 2017.

MARTIN, S. et al. Boolean dynamics of genetic regulatory networks inferred from microarray time series data. Bioinformatics, v. 23, n. 7, p. 866–874, Apr 2007.

MENDOZA, M. R. The wisdom of crowds in bioinformatics: What can we learn (and gain) from ensemble predictions? , v. 2013, p. 1678-1679, 2013.

POKHILKO, A. et al. The clock gene circuit in Arabidopsis includes a repressilator with additional feedback loops. Molecular Systems Biology, v. 8, p. 574, 2012.

SANFILIPPO, A. P. et al. Modeling emergence in neuroprotective regulatory networks. Springer Verlag, v. 126 LNICST, p. 291-302, 2013.

SHMULEVICH, I. et al. Probabilistic boolean networks: a rule-based uncertainty model for gene regulatory networks. Bioinformatics, v. 18, n. 2, p. 261–274, 2002.

STEGGLES, L. J. et al. Qualitatively modelling and analysing genetic regulatory networks: a Petri net approach. Bioinformatics, v. 23, n. 3, p. 336-343, 2017.

XIANG HU, H. et al. Consensus of multi-agent systems in the cooperation–competition network with inherent nonlinear dynamics: A time-delayed control approach, Elsevier, v. 158, p. 134-143, 2015.

WERHLI, A. V. Reconstruction of gene regulatory networks from postgenomic data.Tese (Doutrodado),Schoolof Informatics Universityof Edinburgh, 2007.

YANG, T. ; SUN, Y. F. The reconstruction of gene regulatory network based on multi-agent system by fusing multiple data sources. IEEE International Conference on Computer Science and Automation Engineering, IEEE, v. 2, p. 126-130, 2011.

Downloads

Publicado

2018-12-20

Edição

v. 11 n. 3 (2018): RETEC - Revista de Tecnologias (Edição Espcial 8º MCSul / VIII SEMENGO)

Seção

Artigos