O dia da excentricidade?

Acho que hoje (01/02/2010) é o dia dos megalomaniacos (no bom sentido, aliás... no melhor deles):

Reportagem de Eike Batista no estadão.... para aprender alguma coisa útil:

Como a OGX já vale US$ 30,6 bi sem extrair uma gota de petróleo

E, bem, no dia de hoje, também não dá para deixar passar outro megalomaniaco, um tal de Rubens Ometto... hehe! (Detalhe, se você entrar hoje no verbete da Cosan na wikipedia, já tem a joint venture com a Shell... anunciada hoje) Para ficar uniforme, a notíca também do estadão:

Cosan e Shell negociam associação estimada em US$ 12 bi

Para terminar, O Abilio Diniz também saiu falando que é fã de carteirinha do Lula! Será que tem alguma do Soros, Gates ou Jobs também?

Afff!! Me senti assistindo novela, só tem gente que não existe no meu dia-dia! hehe!

Acho que era melhor ter feito minha iniciação científica com eles.......sniff!

Abs,

Uma seqüência interessante

Lendo um trabalho que utiliza algumas técnicas de "feature selection" para bioinformática, como não formado em estatística, decidi entender melhor o signifcado de "cross-validation". O de sempre, "cross-validation" no google e cheguei no verbete da Wikipedia. Além de achar interessante, as maravilhas do hypertexto me levaram a uma seqüência interessante, inesperada, mas pertinete de verbetes:

1. Cross-validation (statistics)
2. Uncomfortable science
3. Magical thinking

Abs,

Análise de agrupamentos com suporte usando o R

Das as áreas da Bioinformática que já trabalhei, todas aplicavam análise de agrupamento de alguma maneira. Geralmente cada área tem seu próprio software. Exemplo, filogenética tem Paup, Phylip, Mega; análise de microarrays tem o MeV... e assim vai. Entretanto, algumas vezes temos dificuldade em analisar o suporte dos agrupamentos. Fazer uma análise de agrupamentos no R é simples, basta usar o hclust. Essa semana descobri o pvclust, uma biblioteca do R, de uso super simples, que calcula o suporte dos grupos gerados pelo hclust. Além do conhecido bootstrap, ainda calcula o suporte por um valor "Approximately Unbiased".

O uso é simples. Imagine que você tenha uma matriz de microarray no seguinte formato (clássico):

Sonda, Amostra 1, Amostra N
xxxxxxx_at, 2.4, 6.8

Fazer uma análise de agrupamentos - usando distância euclidiana, 1000 pseudo-replicação para o bootstrap - bastam 4 comandos:

>library("pvclust")
>data <- read.table("data.txt", header=TRUE)
>result <- pvclust(data, method.dist="euclidian", method.hclust="average", nboot=10000)
>plot(result)

Abs,

Leitura updated!

Que a informática e os hypertextos revolucionaran a maneira como lidamos com a informação não é novidade.

Recentemente (Agosto de 2009) saiu um trabalho na "Science" sobre como a internet mudou a ciência, principalmente sobe como lidamos com os trabalhos científicos, os "papers". Além de mostrar - com base nos resultados de trabalho citado - como a interner "bombou" o número de artigos lidos por pesquisador (gostaria muito que número estivesse correto: 300 artigos/ano/pesquisador em média), faz uma análise do comportamento atual e do provavel no futuro com relação ao mesmo assunto.

Ai vai a referência:

Renear AH, Palmer CL.Strategic reading, ontologies, and the future of scientific publishing. Science. 2009 Aug 14;325(5942):828-32.

Abs,

Fred

Tudo o que você sempre teve vontade de saber sobre aprendizado de máquinas em bioinformática, mas teve preguiça/dificuldade de estudar!

Quem nunca ouviu falar dos milagres que a Inteligência Artificial faz com dados biológicos? Os milagres da Bioinformática! Porém, que complicação entender hein?!? Aprendizado supervisionado e não supervisionado... semi-supervisionado, discriminantes linear e quadrático, "K-nearest neighbor", árvores de decisão, redes neurais, SVMs ("support vector machines"), entre outros.

Você pode ir até livro "Inteligência Artificial" do Russel e Norvig, ler 150 páginas dos últimos capítulos e ver o que se passa. Só coisa simples! Leitura na cama para domingo à noite! O resultado, em geral, é ficar sem saber o que se passa e acreditar em mágica e mágicos.

Recentemente achei um artigo interessante que explica de forma "relativamente simples" e resumida esses conceitos. Estou postando aqui a recomendação para quem tem curiosidade ou pretende iniciar nessa loucura. Obviamente precisa sentar e rachar o côco, mas, provavelmente, uma tarde de inspiração lendo esse artigo vai esclarecer muita coisa.

Ai vai a referência (open access):

Machine Learning and Its Applications to Biology

Espero que seja útil!
Grande abraço

Pyscience Brasil

Aproveitando o embalo da postagem sobre Bioinformática, aproveito para divulgar aqui um Wiki na Wikidot sobre python para a ciência. Foi uma idéia de um grupo de pythonistas que estavam presentes na PythonBrasil 3 em Joinville, que implementamos logo em seguida.

Eu costumo contribuir com a parte de códigos e programas em python para bioinformática (embora ultimamente esteja devendo um pouco), principalmente na análise de seqüências de DNA e proteína usando principalmente Biopython, como o uso remoto e/ou massivo de diversas ferramentas do NCBI assim como geração de logos de seqüências. Também contribuo na parte de estrutura tridimensional de proteínas e estatística. Entretanto, o pyscience-brasil contém textos para as mais diversas áreas do python com aplicação científica, como gráficos (Pylab), matrizes, (Numpy) , probabilidade e estatística (RPy e Scipy), e outras diversas "calculeiras" (Scipy).

Fica ai o link e o chamado para contribuição!

Pyscience Brasil


Abs,

Biologia e Computação

Recentemente escrevi um artigo de divulgação científica sobre Biologia e Computação, tentando discutir as inspirações recíprocas de ambas as áreas. Isto é, tentei fazer um cronograma histórico (em linguagem simples, sem o peso da estatística e da programação envolvidas) sobre a bioinformática e os algorítimos de inteligência artificial utilizados pela Biologia, principalmente pela Biologia Molecular e Bioquímica. Pelo outro lado, tentei escrever sobre as mais famosas inspirações "biológicas" da computação, como redes neurais artificiais e algorítimos genéticos.

Deixo aqui então o link para o texto publicado na revista In silico.

Biologia e Computação: trevas e luz