Intervenção em redes de regulação gênica modelado como um processo de decisão Markoviano fatorado

• Autor(a) principal: Tisovec, Fabio Alexandre Campos
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://teses.usp.br/teses/disponiveis/45/45134/tde-20230727-113230/
• topic: Inteligência Artificial; Regulação Gênica

Dentro da área de modelagem de sistemas biológicos, o estudo de redes gênicas inclui modelar interações, simular a dinâmica da rede e sugerir possíveis formas de intervir em seu funcionamento. Em particular, o problema de intervenção em redes gênicas é o de encontrar a melhor forma de intervir em sua evolução natural visando evitar cenários indesejáveis (doenças) ou atingir cenários desejáveis (estados sadios ou controláveis). Um modelo matemático comumente usado para repre- sentar redes gênicas é a Rede Booleana Probabilística (Probabilistic Boolean Network - PBN), em que os genes de uma dada rede são representados por variáveis booleanas e o sistema progride de um instante de tempo para o seguinte de acordo com funções booleanas, cada qual associada a uma probabilidade. Redes gênicas com ações de intervenção podem ser modeladas por um conjunto de redes booleanas probabilísticas com diferentes dinâmicas, uma para cada ação ou combinação de ações. Porém, a escolha da melhor ação para cada estado é feita resolvendo-se um processo de decisão markoviano com estados enumerados, que quando gerado a partir de uma rede booleana probabilística pode resultar em uma explosão combinatória de estados. Nesse trabalho mostraremos como o problema de intervenção em redes gênicas pode ser modelado como um processo de decisão markoviano fatorado, isto é, um processo de Markov descrito em termos de variáveis de estados que pode ser diretamente extraído de uma Rede Booleana Probabilística. Com tal modelo, podemos usar algoritmos simbólicos (que manipulam conjuntos de estados) capazes de resolver problemas com até centenas de variáveis de estado. Por fim, este trabalho propõe apresentar uma possível extensão deste modelo fatorado, onde admite-se probabilidades imprecisas de transição de estado dos genes, sinalizando um conhecimento impreciso destas transições.