Algoritmo genético adaptativo e paralelo para seleção de polimorfismos de nucleotídeo único representativos

• Autor(a) principal: Tenório, William
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/183421
• topic: Ciência da computação; Algoritmos genéticos; Polimorfismo de nucleotídeo único; Processamento paralelo (Computadores); Computer science; Genetic algorithms; Single nucleotide polymorphism; Parallel processing

Polimorfismos de Nucleotídeo Único (SNPs) são uma ferramenta promissora nos estudos de doenças. Contudo, a análise de todos os SNPs do genoma humano é uma tarefa custosa computacionalmente. Neste cenário, descobriu-se a possibilidade de utilizar um subconjunto de SNPs, chamado tag SNPs, que fosse representativo o suficiente para ser utilizado em estudos, sem que houvesse necessidade de lidar com o conjunto completo. Devido à sua alta complexidade, diversas abordagens foram propostas para lidar com este problema a partir de meta-heurísticas, como os Algoritmos Genéticos. Contudo, dentro do processo evolutivo destes algoritmos, as soluções são influenciadas pelo contexto do problema, ao qual se atribuiu o nome de pressão seletiva e que pode impactar de maneira negativa os resultados encontrados. Apesar da pressão seletiva poder ser controlada, o processamento adicional para o cálculo destes métodos pode acarretar aumento do custo computacional, o que pode inviabilizar sua aplicação. Desta forma, a contribuição científica deste trabalho está na proposição de um método paralelo para seleção de SNPs representativos baseado em algoritmos genéticos com controle de pressão seletiva que, quando comparado aos demais da literatura, apresenta maior diversidade de indivíduos nas populações, maior velocidade de convergência e, consequentemente, melhor resultado das soluções encontradas pelo algoritmo. Os resultados indicaram que o algoritmo desenvolvido foi capaz de reduzir em 27% a quantidade de iterações até a convergência, assim como aumentar o valor de aptidão das soluções em 11%. Adicionalmente, o algoritmo foi capaz de lidar com maiores volumes de dados e apresenta uma taxa de crescimento do tempo de processamento 3,7 vezes menor do que um algoritmo sequencial tradicional.