Aceleración del proceso de selección de características en entornos Big Data

Título:

Aceleración del proceso de selección de características en entornos Big Data: aplicación en biomarcadores oncológicos

Autor:

Camele, Genaro

Otros autores / Colaboradores:

 Hasperué, Waldo; [ Director/a] 

Temas:

BIOINFORMÁTICA; FRAMEWORKS; 

URL:

https://doi.org/10.35537/10915/176592,

Nota de tesis:

Tesis (Doctorado en Ciencias Informáticas) - Universidad Nacional de La Plata. Facultad de Informática, 2024.

Extensión:

1 archivo (3,60 MB) : il. col.

Resumen:

La tesis doctoral se centra en el desarrollo y evaluación de un framework para la aceleración de metaheurísticas en entornos distribuidos utilizando Apache Spark, con un enfoque particular en la optimización de la selección de características para la identificación de biomarcadores oncológicos. La motivación surge de la necesidad de superar las limitaciones de algunas plataformas existentes como Bioplat y Multiomics, y de proporcionar herramientas computacionales avanzadas y accesibles a la comunidad científica en el campo de la bioinformática y la oncología. El framework propuesto introduce estrategias inteligentes para la aceleración de metaheurísticas, diseñadas específicamente para mejorar la eficiencia y el rendimiento en su ejecución en entornos distribuidos, en particular en Apache Spark. Estas técnicas se han implementado en una nueva plataforma denominada Multiomix, que no sólo complementa las funcionalidades de sus predecesoras, sino que también supera sus limitaciones, ofreciendo una solución integral para el análisis de datos multiómicos. Un aspecto clave de esta tesis es la disponibilización de Multiomix como Software as a Service (SaaS), accesible a través de Internet. Este enfoque permite a múltiples usuarios trabajar de manera simultánea, democratizando el acceso a capacidades de cómputo avanzadas y facilitando la colaboración en la comunidad científica. El objetivo general de esta tesis consiste en evaluar la viabilidad y eficacia del framework propuesto para la aceleración de metaheurísticas en entornos distribuidos, con un enfoque particular en su aplicación para la selección de características en la identificación de biomarcadores oncológicos. Además, se busca demostrar cómo la implementación de este framework en una plataforma SaaS puede mejorar significativamente la accesibilidad y la colaboración en la investigación biomédica.

Puede solicitar más fácilmente el ejemplar con: TES 24/52

1. Introducción 
1.1. Contexto 
1.2. Motivación 
1.3. Objetivos 
1.4. Contribuciones derivadas de esta tesis 
1.4.1. Concursos, honores y menciones 
1.4.2. Publicaciones en revistas internacionales 
1.4.3. Publicaciones en revistas nacionales 
1.4.4. Publicaciones en congresos y workshops 
1.4.5. Formación de recursos humanos 
1.4.6. Desarrollo de herramientas 
1.5. Organización del documento 

2. Medicina de precisión  
2.1. Biología del cáncer 
2.2. Blancos terapéuticos 
2.3. Descubrimiento de reguladores de expresión 
2.4. Biomarcadores 
2.4.1. Aplicaciones en la bioinformática 
2.4.2. Análisis de supervivencia 
2.5. Evaluación de biomarcadores 

3. Selección de características 
3.1. Motivación 
3.2. Blind Search 
3.3. Regresión de Cox penalizada 
3.4. Metaheurísticas 
3.4.1. Binary Black Hole 
3.4.2. Algoritmos genéticos 
3.4.3. Binary Particle Swarm Optimization 
3.5. Trabajo previo 
3.6. Ejecución distribuida de metaheurísticas 

4. Multiomix 
4.1. Descubrimiento de reguladores de expresión 
4.2. Identificación de biomarcadores 
4.2.1. Modelos entrenados 
4.2.2. Validaciones estadísticas 
4.2.3. Inferencia 
4.2.4. Multiomix AWS-EMR 
4.3. Abstracción en la obtención de datos 
4.3.1. Modulector 
4.3.2. BioAPI 
4.3.3. Datos subidos por el usuario 
4.3.4. cBioPortal 
4.4. Democratización de la tecnología 
4.5. Dificultades técnicas solventadas 

5. Optimización de metaheurísticas en Spark 
5.1. Apache Spark 
5.2. Balance de carga 
5.3. Estrategias de balance de carga propuestas 
5.3.1. Modelo de predicción del tiempo de ejecución de tareas 
5.3.2. Estrategia ”Equally Distributed” 
5.3.3. Estrategia ”Distribution Based on Predictions” 
5.3.4. Estrategia ”Predictive Execution Load Algorithm with Delay Opti mization” 
5.3.5. Generalización y aplicación del framework  

6. Experimentación 
6.1. Hardware y software 
6.2. Mediciones de tiempos y métricas 
6.3. Evaluación de las estrategias de balance de carga 
6.3.1. Simulador de distribución de tareas 
6.3.2. Experimentos 
6.3.3. Conjuntos de datos 
6.3.4. Metaheurísticas, modelos y métricas 
6.3.5. Estrategias de balance de carga 
6.3.6. Parámetros de PELADO y simulación 
6.3.7. Resultados Experimento 1: validación sobre el simulador 
6.3.8. Resultados Experimento 2: validación sobre Apache Spark 

7. Conclusión y trabajo a futuro 
7.1. Conclusiones generales 
7.2. Líneas de trabajo futuras 

Bibliografía