Linhas de Pesquisa
As linhas de pesquisa do Programa de Pós-Graduação em Computação Aplicada (PPG-CA) são áreas temáticas nas quais os professores e pesquisadores do programa concentram seus estudos e atividades acadêmicas. Essas linhas representam os principais temas de pesquisa abordados no programa e refletem os interesses e especialidades dos docentes.
As linhas de pesquisa são essenciais para orientar os estudantes de pós-graduação na escolha de um tema para suas pesquisas e na definição de seu projeto de dissertação. Ao explorar as linhas de pesquisa do PPG-CA, você poderá identificar as áreas que mais se alinham aos seus interesses e objetivos acadêmicos.
É importante ressaltar que as linhas de pesquisa não são rígidas ou fixas e, muitas vezes, há sobreposição entre elas. Além disso, é comum que novas áreas de pesquisa surjam no campo da Computação Aplicada e o programa pode adaptar ou ampliar suas linhas de acordo com as tendências e demandas da área.
Ao conhecer as linhas de pesquisa do PPG-CA, você terá uma visão ampla das possibilidades de pesquisa oferecidas pelo programa e poderá identificar potenciais orientadores cujos interesses estejam alinhados com os seus. Isso auxiliará na definição de sua proposta de pesquisa e na escolha de um(a) orientador(a) que possa auxiliá-lo(a) de forma mais adequada em sua trajetória acadêmica.
Recomendamos que você leia as informações mais detalhadas sobre as linhas de pesquisa (fornecidas logo abaixo) e sobre os orientadores. Isso o ajudará a tomar uma decisão informada ao selecionar a linha de pesquisa e o orientador mais adequados aos seus interesses e objetivos.
Caso tenha alguma dúvida adicional sobre as linhas de pesquisa do PPG-CA, não hesite em entrar em contato.
Computação Aplicada a Biociências (CAB)
A área de biociências caracteriza-se por uma disponibilidade crescente de dados obtidos através de diferentes técnicas de biologia molecular e ferramentas de captura de imagens medicas. Trata-se de uma área multidisciplinar que envolve conhecimentos de biologia, anatomia, estatística, além, é claro, de conhecimentos computacionais na descoberta de conhecimento a partir dos dados disponíveis. Os tópicos de interesse desta linha de pesquisa incluem:
Processamento e Reconhecimento de Padrões em Imagens Médicas
Muitos procedimentos diagnósticos e terapêuticos são realizados com base em imagens médicas. Existem várias modalidades de imagens médicas, tais como raios X, tomografia computadorizada, ressonância magnética nuclear, cintilografia gama, angiografia e ultra-sonografia. Cada uma dessas modalidades apresenta características e aplicabilidades diferentes, desempenhando papel decisivo em procedimentos cruciais de diagnóstico e terapia. Assim, a demanda por métodos computacionais que extraem e processam informações intrínsecas e funcionais destes tipos de imagens tem crescido. Diferentes aplicações podem ser desenvolvidas, envolvendo co-registro de imagens, extração de características, técnicas de segmentação, recuperação baseada em conteúdo, métodos comparativos, métodos de compressão, arquivamento e comunicação de imagens médicas. Frequentemente, estas aplicações demandam alto custo computacional exigindo algoritmos mais eficientes, dimensionamento de performance computacional, e por vezes, computação paralela e distribuída.
Aprendizado de Máquina em Biologia Sistêmica
A biologia de sistemas é um campo da ciência no qual biologia, computação, estatística e matemática convergem para atender um novo cenário da ciência, derivado da análise simultânea de um grande conjunto de dados biológicos. O principal objetivo da biologia de sistemas é o desenvolvimento e utilização de ferramentas computacionais para analisar e interpretar vários tipos de dados, incluindo sequências de nucleotídeos, aminoácidos, domínios proteicos, estrutura de proteínas, dados de expressão gênica e a criação de base de dados relacionados com acesso eficiente e gerenciamento de várias informações. Técnicas computacionais capazes de extrair conhecimento dos dados clínicos e biológicos de forma automática, como por exemplo algoritmos de aprendizado de máquina, tornam-se especialmente adequadas nestes casos. Este tópico de pesquisa tem como objetivo a investigação e uso de técnicas de aprendizado de máquina para o auxílio na resolução de problemas computacionais envolvendo a análise de expressão gênica, a previsão da estrutura de proteínas, entre outras aplicações.
Integração Semântica de Sistemas e Serviços na Gênomica Funcional
A genômica funcional tem como objetivo estudar a função de genes por meio da medição de seus níveis de expressão. Uma vez que dados de expressão gênica são obtidos a partir de diferentes técnicas, os biologistas precisam realizar várias atividades de análise nestes dados para a obtenção de respostas biológicas. Estas atividades normalmente são realizadas por meio de uma série de ferramentas de software, muitas das quais são atualmente disponibilizadas como serviços web. O desenvolvimento baseado em serviços objetiva o desenvolvimento e a disponibilização das funcionalidades de uma aplicação como entidades computacionais cujo comportamento pode ser descrito, publicado, descoberto e invocado utilizando protocolos e padrões abertos. Aplicações podem então ser desenvolvidas por meio da composição de um conjunto individual de serviços. Serviços web semânticos consistem de serviços web anotados com informações semânticas provenientes de uma ontologia, resultando em melhor suporte à descoberta, integração e composição de serviços. Este tópico de pesquisa tem como objetivo investigar a integração semântica de dados e ferramentas de análise de expressão gênica, bem como o desenvolvimento, composição e uso destes serviços.
Sistemas Computacionais Complexos (SCC)
Um sistema complexo é composto por um conjunto de partes conectadas por alguma forma de inter-relação entre elas. Assim, para caracterizar um sistema é necessário não somente conhecer as partes, mas também os modos de relação entre elas. Tais sistemas possuem propriedades de emergência, transição de fases, evolução de padrões auto-organizados, a presença de diferentes níveis hierárquicos, entre outros. Os tópicos de interesse desta linha de pesquisa incluem:
Redes Complexas
Redes complexas são modelos para sistemas que, em geral, possuem uma topologia não-trivial e são compostos por uma grande quantidade de vértices. Rede complexa é uma área de pesquisa relativamente nova, interdisciplinar, e de muito interesse para vários campos de estudo. Nesse tópico de pesquisa, têm-se dois enfoques principais, a análise de redes complexas existentes (redes reais ou artificiais) utilizando métodos computacionais e métodos físico-computacionais e a modelagem de novas redes a partir de base de dados, os quais originalmente não são representados por redes. Após a conversão desses tipos de dados para redes, os problemas são resolvidos utilizando técnicas fornecidas pelos estudos de redes complexas. Neste caso, serão desenvolvidas novas técnicas de aprendizado de máquina e mineração de dados utilizando redes complexas. Alguns exemplos são agrupamento e classificação de dados vetoriais baseada em redes complexas, reconhecimento de padrões em formato de imagens baseado em redes complexas, entre outros.
Computação Bioinspirada e Neurociência Computacional
A computação bioinspirada tem por objetivo construir sistemas computacionais semelhantes a seres vivos (utilizando conhecimento das ciências biológicas) e utilizar tais sistemas para melhorar nosso entendimento da biologia e da natureza. Os sistemas biológicos inteligentes não seguem processos tradicionais de manufatura. Assim, não são compostos por partes pré-fabricadas e caracterizam-se por serem projetados por processos de evolução natural. Estes sistemas são, muitas vezes, controlados por sistemas baseados no sistema nervoso e são formados por componentes que trabalham juntos, em grupos, rebanhos ou enxames. O objetivo principal da neurociência computacional é explicar como os sinais elétricos e químicos nas células e redes de células interconectadas do cérebro são usados para representar e processar informação. Para atingir esse objetivo, a neurociência computacional utiliza modelos matemáticos e computacionais de células e circuitos cerebrais, procurando integrar dados experimentais obtidos com as mais diferentes técnicas – desde o nível microscópico, acessível por estudos moleculares e celulares, até o nível sistêmico, acessível por estudos comportamentais – para construir um arcabouço teórico coerente e quantitativo da estrutura e da função do cérebro.
Análise e Extração de Conhecimento em Grandes Volumes de Dados
Este tópico de pesquisa tem por objetivo investigar a extração de informação e estruturação semântica de informações em grandes volumes de dados (Big Data) de modo que relacionamentos entre itens de dados possam ser identificados e a recuperação de informações de interesse possa ser realizada de maneira eficiente. Para alcançar esses objetivos, estruturas conceituais como ontologias, vocabulários e thesauri são utilizadas e estendidas, a partir de técnicas de recuperação de informação, processamento de linguagem natural e da mineração de dados.
Métodos Matemáticos para Modelagem e Análise de Sistemas Complexos
Este tópico de pesquisa tem por objetivo desenvolver técnicas matemáticas-computacionais para modelagem e análise de sistemas complexos, focalizando os seguintes tópicos: Aspectos conceituais de modelagem, otimização, equações diferenciais e de diferenças em modelagem matemática, probabilidade e estatística em modelagem matemática e métodos numéricos para simulação de sistemas complexos.