Análise computacional dos determinantes de atividades meio- e neurotóxicas de fosfolipases A2 do veneno de serpentes

A superfamília das fosfolipases A2 (FLA2) é composta por proteínas dotadas de propriedades diferenciadas que as tornam capazes de apresentar distintas atividades biológicas, além de sua atividade catalítica. Esta diversidade funcional é intrigante devido à alta similaridade de seqüência primária e de estrutura entre essas proteínas. O principal objetivo deste trabalho é o desenvolvimento de uma metodologia para a predição de atividades biológicas específicas em FLA2 de peçonha de serpentes a partir da análise de seqüências primárias. A metodologia desenvolvida compreende: a) seleção de seqüências anotadas quanto à função ou atividade biológica que desempenham; b) detecção e validação estatística de motivos de seqüência relacionados à atividade estudada; e c) construção de Modelos Ocultos de Markov (MOMs) representando cada motivo. MOM consiste em uma modelagem estatística que tem sido aplicada com sucesso em diversas áreas onde se faz necessária a detecção e representação de padrões de informação; por sua base matemática robusta e formal, pode ser utilizada na automação deste tipo de processo. A metodologia foi testada para duas atividades de FLA2 de peçonha de serpente: neurotoxicidade e miotoxicidade. Para as FLA2 neurotóxicas, foram detectados seis motivos conservados, dos quais três foram validados estatisticamente como sendo adequados na discriminação de seqüências neurotóxicas de não neurotóxicas. Para as FLA2 miotóxicas, foram detectados seis motivos conservados, dos quais quatro foram validados. Os MOMs dos motivos validados podem ser usados na predição de atividade neurotóxica e miotóxica. As relações entre seqüência, estrutura, função e evolução das FLA2s são discutidas. Os dados obtidos foram coerentes com a hipótese apresentada por Kini (2003), da existência de diferentes sítios farmacológicos na superfície das FLA2, interagindo independente ou cooperativamente com diferentes receptores, para gerar as diversas funções biológicas observadas. Por não haver, até o momento, qualquer ferramenta automatizada para a predição de função biológica de FLA2, os resultados deste trabalho foram a base para a construção de uma ferramenta (disponível em www.cbiot.ufrgs.br/bioinfo/phospholipase) para a identificação de miotoxicidade e neurotoxicidade em FLA2.

Aspectos matemáticos do problema de aprendizagem em inteligência artificial

O objetivo deste trabalho é apresentar a base teórica para o problema de aprendizagem através de exemplos conforme as ref. [14], [15] e [16]. Aprender através de exemplos pode ser examinado como o problema de regressão da aproximação de uma função multivaluada sobre um conjunto de dados esparsos. Tal problema não é bem posto e a maneira clássica de resolvê-lo é através da teoria de regularização. A teoria de regularização clássica, como será considerada aqui, formula este problema de regressão como o problema variacional de achar a função f que minimiza o funcional Q[f] = 1 n n Xi=1 (yi ¡ f(xi))2 + ¸kfk2 K; onde kfk2 K é a norma em um espa»co de Hilbert especial que chamaremos de Núcleo Reprodutivo (Reproducing Kernel Hilbert Spaces), ou somente RKHS, IH definido pela função positiva K, o número de pontos do exemplo n e o parâmetro de regularização ¸. Sob condições gerais a solução da equação é dada por f(x) = n Xi=1 ciK(x; xi): A teoria apresentada neste trabalho é na verdade a fundamentação para uma teoria mais geral que justfica os funcionais regularizados para a aprendizagem através de um conjunto infinito de dados e pode ser usada para estender consideravelmente a estrutura clássica a regularização, combinando efetivamente uma perspectiva de análise funcional com modernos avanços em Teoria de Probabilidade e Estatística.

A interatividade na aprendizagem: uma perspectiva cognitiva utilizando conteúdo multimídia

A migração de materiais educacionais para dispositivos portáteis, tais como computadores do tipo tablet, torna possível oferecer altos níveis de interatividade na apresentação de animações e, dessa forma, pesquisas são necessárias para avaliar o valor pedagógico de incorporar recursos sofisticados de interatividade em lições para dispositivos portáteis. Estudantes de Engenharia (no Experimento 1) e estudantes de nível superior de outras áreas (no Experimento 2) estudaram por 5 minutos uma animação mostrando, em um computador do tipo tablet, os seis passos de um procedimento de manutenção para um dispositivo mecânico chamado Tomada de Força. A animação envolveu um baixo nível de interatividade, no qual os estudantes eram capazes de reproduzir, pausar, avançar e voltar a animação por meio de botões acionados em tela sensível ao toque (touch screen); um alto nível de interatividade, no qual os estudantes podiam também tocar e deslizar um dedo na tela para rotacionar a animação ou ainda tocar a tela com dois dedos abrindo-os ou fechando-os para ampliar ou reduzir a animação; ou nenhuma interatividade (apenas no Experimento 2). De forma geral, em ambos os experimentos, os estudantes que utilizaram alto nível de interatividade reportaram maior interesse, mas não mostraram melhor aprendizagem, comparados aos grupos de baixa ou nenhuma interatividade. Entretanto, no Experimento 2, estudantes que se classificaram como alunos verbais demonstraram maior interesse e obtiveram pontuações mais altas de aprendizagem com alta interatividade, em vez de baixa ou nenhuma interatividade. Esse padrão, contudo, não foi encontrado entre os alunos visuais. Também no Experimento 2, os alunos verbais e os alunos com baixo nível de autorregulação de aprendizagem, que manifestaram alto nível de interesse, obtiveram pontuações mais altas de aprendizagem do que os alunos visuais e os alunos com alto nível de autorregulação de aprendizagem, que manifestaram baixo nível de interesse, respectivamente.

Plano de aprendizagem

Eduardo Ehlers fala sobre desenvolvimento no processo de construção dos nossos Planos de Aprendizagem do GVces