Factor analysis in the stock market: An application to statistical arbitrage

A Work Project, presented as part of the requirements for the Award of a Masters Degree in Finance from the NOVA – School of Business and Economics

Phylogeography, conservation genetics and parasitology of chimpanzees (Pan troglodytes versus) in Guinea-Bissau, West Africa

Tese de doutoramento em Antropologia, especialidade em Antropologia Biológica e Etnoecologia

Pyruvate kinase and glucose-6-phosphate dehydrogenase deficies and their association with malaria - population genetics and proteomic studies

A malária é reconhecida como uma das principais forças selectivas a actuar na história recente no genoma humano. Inúmeros polimorfismos genéticos têm sido descritos como protectores contra a gravidade da malária, como o alelo HbS (designado de traço falciforme) e o alelo G6PD A- (associado à deficiência de G6PD). Mais recentemente, também a deficiência de PK foi associada com a protecção contra a malária. Evidências desta associação foram obtidas em estudos com modelos de roedor e estudos in vitro utilizando GV humanos deficientes em PK. Até à data, não foram obtidos dados em populações humanas que revelem esta associação: ainda não foi identificada uma variante de PK com uma prevalência elevada em regiões endémicas de malária e não foram identificadas marcas de selecção na região do gene que codifica para a PK (gene PKLR). Além disso, os mecanismos subjacentes à protecção contra a malária por deficiências enzimáticas dos GV não estão bem esclarecidos. Assim, os objectivos do presente estudo foram: investigar os polimorfismos genéticos humanos com associação com a malária em Cabo Verde; pesquisar marcas de selecção da malária na região do gene PKLR em populações Africanas; determinar a frequência da deficiência em PK e identificar uma eventual variante da enzima que possa estar sob selecção positiva em regiões endémicas de malária; avaliar o efeito das duas deficiências enzimáticas (PK e G6PD) na invasão e maturação do parasita em culturas in vitro de Plasmodium usando GV normais e deficientes; e analisar o perfil proteómico de GV infectados e não infectados, normais e com deficiência (em PK e G6PD), bem como de parasitas isolados de GV tanto deficientes como normais. Em Cabo Verde (área epidémica), não foram identificadas marcas de selecção pela malária, através da análise dos vários polimorfismos. No entanto, quando a análise foi realizada em dois países endémicos (Angola e Moçambique), foram detectadas várias marcas de selecção: a genotipagem de microssatélites (STRs) e polimorfismos de base única (SNPs) localizados na vizinhança do gene PKLR revelou uma diferenciação consideravelmente maior entre as populações Africana e Europeia (Portuguesa), do que a diferenciação determinada aquando da utilização de marcadores genéticos neutros. Além disso, uma região genómica de maior amplitude apresentou um Desequilíbrio de Ligação (LD) significativo no grupo de malária não grave (e não no grupo de malária grave), sugerindo que a malária poderá estar a exercer pressão selectiva sobre a região do genoma humano que envolve o gene PKLR. No estudo que incidiu na determinação da prevalência da deficiência de PK no continente Africano (realizado em Moçambique), esta revelou-se elevada - 4,1% - sendo o valor mais elevado descrito até ao momento a nível mundial para esta enzimopatia. Na pesquisa de mutações que pudessem estar na causa deste fenótipo (baixa actividade de PK), foi identificada uma mutação não sinónima 829G>A (277Glu>Lys), significativamente associada à baixa actividade enzimática. Esta mutação foi também identificada em Angola, São Tomé e Príncipe e Guiné Equatorial, onde a frequência de portadores heterozigóticos foi entre 2,6 e 6,7% (valores que se encontram entre os mais elevados descritos globalmente para mutações associadas à deficiência em PK). Não foi possível concluir acerca da associação entre a deficiência de PK e o grau de severidade da malária e da associação entre o alelo 829A e a mesma, devido ao baixo número de amostras. Os resultados dos ensaios de invasão/maturação do parasita sugeriram que, nos GV com deficiência de PK ou G6PD, a invasão (onde está envolvida a membrana do GV hospedeiro e o complexo apical do parasita) é mais relevante para a eventual protecção contra a malária do que a maturação. Os resultados da análise proteómica revelaram respostas diferentes por parte do parasita nas duas condições de crescimento (GV com deficiência de PK e GV com deficiência de G6PD). Esta resposta parece ser proporcional à gravidade da deficiência enzimática. Nos parasitas que cresceram em GV deficientes em G6PD (provenientes de um indivíduo assintomático), a principal alteração observada (relativamente às condições normais) foi o aumento do número de proteínas de choque térmico e chaperones, mostrando que os parasitas responderam às condições de stress oxidativo, aumentando a expressão de moléculas de protecção. Nos parasitas que cresceram em condições de deficit de PK (GV de indivíduo com crises hemolíticas regulares, dependente de transfusões sanguíneas), houve alteração da expressão de um maior número de proteínas (relativamente ao observado em condições normais), em que a maioria apresentou uma repressão da expressão. Os processos biológicos mais representados nesta resposta do parasita foram a digestão da hemoglobina e a troca de proteínas entre hospedeiro e parasita/remodelação da superfície do GV. Além disso, uma elevada percentagem destas proteínas com expressão alterada está relacionada com as fendas de Maurer, que desempenham um papel importante na patologia da infecção malárica. É colocada a hipótese de que a protecção contra a malária em GV deficientes em PK está relacionada com o processo de remodelação da membrana dos GV pelo parasita, o que pode condicionar a invasão por novos parasitas e a própria virulência da malária. Os resultados da análise do proteoma dos GV contribuirão para confirmar esta hipótese.

Microsatellite instability in solitary and sporadic gastric cancer

Recently, the presence of microsatellite instability (MSI) has been reported in gastric cancer and associated with older age of presentation, distal tumor location, early disease staging, and better overall prognosis. Different characteristics in presentation and in tumor behavior may be explained by different genetic alterations during carcinogenesis of gastric cancer. Identification of specific genetic pathways in gastric cancer may have direct impact on prognosis and selection of treatment strategies. PATIENTS AND METHODS: All 24 patients were treated by radical surgery. Fragments of normal and tumor tissues were extracted from the specimen and stored at -80ºC before DNA purification and extraction. PCR amplification utilizing microsatellite markers was performed. Tumors presenting PCR products of abnormal sizes were considered positive for microsatellite instability (MSI+). RESULTS: Five patients (21%) had tumors that were MSI+ in at least 1 marker. In the group of patients with Lauren's intestinal-type gastric carcinoma, 3 had tumors that were MSI+ (23%), while in the group of diffuse-type gastric cancer, 2 patients had tumors that were MSI+ (19%). The mean age of presentation and the male:female ratio was similar in both groups. Tumors that were MSI+ were more frequently located in proximal portion of the stomach compared to microsatellite-stable (MSS) tumors (40% vs. 16%). Although there was a trend of patients with MSI+ tumors towards a proximal gastric tumor location, early staging, and negative lymph node metastasis, there was no statistical significance compared to those with MSS tumors (P >.1). Comparison of overall and disease-free survival between gastric tumors that were MSI+ and those that were MSS found no statistically significant differences (P >.1). CONCLUSIONS: Microsatellite instability is a frequent event in gastric carcinogenesis and shows a trend towards distinct clinical and pathological characteristics of gastric cancer.

Estimation of statistical cure from cancer using population-based data

Dissertação de mestrado em Estatística

Desarrollos estadísticos para el procesamiento de información genómica masiva en agro-biotecnología. Statistical developments for processing massive genomic information in agro-biotechnology.

Nuevas biotecnologías, como los marcadores de la molécula de ADN, permiten caracterizar el genoma vegetal. El uso de la información genómica producida para cientos o miles de posiciones cromosómicas permite identificar genotipos superiores en menos tiempo que el requerido por la selección fenotípica tradicional. La mayoría de los caracteres de las especies vegetales cultivadas de importancia agronómica y económica, son controlados por poli-genes causantes de un fenotipo con variación continua, altamente afectados por el ambiente. Su herencia es compleja ya que resulta de la interacción entre genes, del mismo o distinto cromosoma, y de la interacción del genotipo con el ambiente, dificultando la selección. Estas biotecnologías producen bases de datos con gran cantidad de información y estructuras complejas de correlación que requieren de métodos y modelos biométricos específicos para su procesamiento. Los modelos estadísticos focalizados en explicar el fenotipo a partir de información genómica masiva requieren la estimación de un gran número de parámetros. No existen métodos, dentro de la estadística paramétrica capaces de abordar este problema eficientemente. Además los modelos deben contemplar no-aditividades (interacciones) entre efectos génicos y de éstos con el ambiente que son también dificiles de manejar desde la concepción paramétrica. Se hipotetiza que el análisis de la asociación entre caracteres fenotípicos y genotipos moleculares, caracterizados por abundante información genómica, podría realizarse eficientemente en el contexto de los modelos mixtos semiparamétricos y/o de métodos no-paramétricos basados en técnicas de aprendizaje automático. El objetivo de este proyecto es desarrollar nuevos métodos para análisis de datos que permitan el uso eficiente de información genómica masiva en evaluaciones genéticas de interés agro-biotecnológico. Los objetivos específicos incluyen la comparación, respecto a propiedades estadísticas y computacionales, de estrategias analíticas paramétricas con estrategias semiparamétricas y no-paramétricas. Se trabajará con aproximaciones por regresión del análisis de loci de caracteres cuantitativos bajo distintas estrategias y escenarios (reales y simulados) con distinto volúmenes de datos de marcadores moleculares. En el área paramétrica se pondrá especial énfasis en modelos mixtos, mientras que en el área no paramétrica se evaluarán algoritmos de redes neuronales, máquinas de soporte vectorial, filtros multivariados, suavizados del tipo LOESS y métodos basados en núcleos de reciente aparición. La propuesta semiparamétrica se basará en una estrategia de análisis en dos etapas orientadas a: 1) reducir la dimensionalidad de los datos genómicos y 2) modelar el fenotipo introduciendo sólo las señales moleculares más significativas. Con este trabajo se espera poner a disposición de investigadores de nuestro medio, nuevas herramientas y procedimientos de análisis que permitan maximizar la eficiencia en el uso de los recursos asignados a la masiva captura de datos genómicos y su aplicación en desarrollos agro-biotecnológicos.

Estrategias estadístico-computacionales avanzadas para análisis de expresión de proteínas/genes en cáncer. Advanced statistical and computational strategies for protein/gene expression analysis in cancer.

El objetivo de este proyecto, enmarcado en el área de metodología de análisis en bioingeniería-biotecnología aplicadas al estudio del cancer, es el análisis y caracterización a través modelos estadísticos con efectos mixtos y técnicas de aprendizaje automático, de perfiles de expresión de proteínas y genes de las vías metabolicas asociadas a progresión tumoral. Dicho estudio se llevará a cabo mediante la utilización de tecnologías de alto rendimiento. Las mismas permiten evaluar miles de genes/proteínas en forma simultánea, generando así una gran cantidad de datos de expresión. Se hipotetiza que para un análisis e interpretación de la información subyacente, caracterizada por su abundancia y complejidad, podría realizarse mediante técnicas estadístico-computacionales eficientes en el contexto de modelos mixtos y técnias de aprendizaje automático. Para que el análisis sea efectivo es necesario contemplar los efectos ocasionados por los diferentes factores experimentales ajenos al fenómeno biológico bajo estudio. Estos efectos pueden enmascarar la información subycente y así perder informacion relavante en el contexto de progresión tumoral. La identificación de estos efectos permitirá obtener, eficientemente, los perfiles de expresión molecular que podrían permitir el desarrollo de métodos de diagnóstico basados en ellos. Con este trabajo se espera poner a disposición de investigadores de nuestro medio, herramientas y procedimientos de análisis que maximicen la eficiencia en el uso de los recursos asignados a la masiva captura de datos genómicos/proteómicos que permitan extraer información biológica relevante pertinente al análisis, clasificación o predicción de cáncer, el diseño de tratamientos y terapias específicos y el mejoramiento de los métodos de detección como así tambien aportar al entendimieto de la progresión tumoral mediante análisis computacional intensivo.

DESARROLLO DE APLICACIONES ESTADÍSTICAS PARA LA AGRICULTURA DE PRECISIÓN. STATISTICAL APPLICATIONS FOR PRECISION AGRICULTURE

A partir de las últimas décadas se ha impulsado el desarrollo y la utilización de los Sistemas de Información Geográficos (SIG) y los Sistemas de Posicionamiento Satelital (GPS) orientados a mejorar la eficiencia productiva de distintos sistemas de cultivos extensivos en términos agronómicos, económicos y ambientales. Estas nuevas tecnologías permiten medir variabilidad espacial de propiedades del sitio como conductividad eléctrica aparente y otros atributos del terreno así como el efecto de las mismas sobre la distribución espacial de los rendimientos. Luego, es posible aplicar el manejo sitio-específico en los lotes para mejorar la eficiencia en el uso de los insumos agroquímicos, la protección del medio ambiente y la sustentabilidad de la vida rural. En la actualidad, existe una oferta amplia de recursos tecnológicos propios de la agricultura de precisión para capturar variación espacial a través de los sitios dentro del terreno. El óptimo uso del gran volumen de datos derivado de maquinarias de agricultura de precisión depende fuertemente de las capacidades para explorar la información relativa a las complejas interacciones que subyacen los resultados productivos. La covariación espacial de las propiedades del sitio y el rendimiento de los cultivos ha sido estudiada a través de modelos geoestadísticos clásicos que se basan en la teoría de variables regionalizadas. Nuevos desarrollos de modelos estadísticos contemporáneos, entre los que se destacan los modelos lineales mixtos, constituyen herramientas prometedoras para el tratamiento de datos correlacionados espacialmente. Más aún, debido a la naturaleza multivariada de las múltiples variables registradas en cada sitio, las técnicas de análisis multivariado podrían aportar valiosa información para la visualización y explotación de datos georreferenciados. La comprensión de las bases agronómicas de las complejas interacciones que se producen a la escala de lotes en producción, es hoy posible con el uso de éstas nuevas tecnologías. Los objetivos del presente proyecto son: (l) desarrollar estrategias metodológicas basadas en la complementación de técnicas de análisis multivariados y geoestadísticas, para la clasificación de sitios intralotes y el estudio de interdependencias entre variables de sitio y rendimiento; (ll) proponer modelos mixtos alternativos, basados en funciones de correlación espacial de los términos de error que permitan explorar patrones de correlación espacial de los rendimientos intralotes y las propiedades del suelo en los sitios delimitados. From the last decades the use and development of Geographical Information Systems (GIS) and Satellite Positioning Systems (GPS) is highly promoted in cropping systems. Such technologies allow measuring spatial variability of site properties including electrical conductivity and others soil features as well as their impact on the spatial variability of yields. Therefore, site-specific management could be applied to improve the efficiency in the use of agrochemicals, the environmental protection, and the sustainability of the rural life. Currently, there is a wide offer of technological resources to capture spatial variation across sites within field. However, the optimum use of data coming from the precision agriculture machineries strongly depends on the capabilities to explore the information about the complex interactions underlying the productive outputs. The covariation between spatial soil properties and yields from georeferenced data has been treated in a graphical manner or with standard geostatistical approaches. New statistical modeling capabilities from the Mixed Linear Model framework are promising to deal with correlated data such those produced by the precision agriculture. Moreover, rescuing the multivariate nature of the multiple data collected at each site, several multivariate statistical approaches could be crucial tools for data analysis with georeferenced data. Understanding the basis of complex interactions at the scale of production field is now within reach the use of these new techniques. Our main objectives are: (1) to develop new statistical strategies, based on the complementarities of geostatistics and multivariate methods, useful to classify sites within field grown with grain crops and analyze the interrelationships of several soil and yield variables, (2) to propose mixed linear models to predict yield according spatial soil variability and to build contour maps to promote a more sustainable agriculture.

Application of multivariate statistical process control to fuel cell manufacturing

Univariate statistical control charts, such as the Shewhart chart, do not satisfy the requirements for process monitoring on a high volume automated fuel cell manufacturing line. This is because of the number of variables that require monitoring. The risk of elevated false alarms, due to the nature of the process being high volume, can present problems if univariate methods are used. Multivariate statistical methods are discussed as an alternative for process monitoring and control. The research presented is conducted on a manufacturing line which evaluates the performance of a fuel cell. It has three stages of production assembly that contribute to the final end product performance. The product performance is assessed by power and energy measurements, taken at various time points throughout the discharge testing of the fuel cell. The literature review performed on these multivariate techniques are evaluated using individual and batch observations. Modern techniques using multivariate control charts on Hotellings T2 are compared to other multivariate methods, such as Principal Components Analysis (PCA). The latter, PCA, was identified as the most suitable method. Control charts such as, scores, T2 and DModX charts, are constructed from the PCA model. Diagnostic procedures, using Contribution plots, for out of control points that are detected using these control charts, are also discussed. These plots enable the investigator to perform root cause analysis. Multivariate batch techniques are compared to individual observations typically seen on continuous processes. Recommendations, for the introduction of multivariate techniques that would be appropriate for most high volume processes, are also covered.