Minicursos Temáticos

Que tal desvendar como bactérias, vírus e fungos convivem em comunidades complexas?
Neste minicurso, você vai entender como os cientistas estudam esses micro-organismos sem cultivar cada um individualmente - extraindo todo o DNA de uma amostra e analisando computacionalmente.

Vamos explorar duas abordagens principais que revolucionaram a microbiologia:

1. Metagenômica shotgun: sequenciamento de todo o DNA de uma amostra (solo, água, microbiota humana, etc.). É como montar um quebra-cabeça onde cada pedaço de DNA é uma pista.
2. Sequenciamento de amplicon (16S rRNA): focamos em um gene específico que identifica cada micro-organismo. Mais rápido e barato, mas menos detalhado.

Ementa:

1. Aula 1:
• Aspectos fisiológicos do escoamento sanguíneo: a circulação no corpo humano
• Princípios da mecânica dos fluidos: conservação da massa e do momento linear, equações de Navier-Stokes
• Equações constitutivas para o sangue: modelos Newtoniano e não Newtoniano
• Formulações variacionais: modelo de Stokes, formulação primal, formulação mista
2. Aula 2:
• Variantes de condições de contorno: prescrição da velocidade e da tração normal, prescrição da vazão e condições resistivas
• Formulações variacionais incluindo condições de contorno não convencionais
• Considerações para domínios deformáveis
3. Aula 3:
• Discretização das equações de Navier-Stokes: métodos de propósito geral, e métodos orientados para escoamento de domínios tubulares.
• Aspectos numéricos da aproximação
• Descrição do código de simulação desenvolvido para o minicurso
• Simulação em sala de aula: validação do código, visualização e post-processamento
4. Aula 4:
• Simulação do escoamento sanguíneo em geometrias parametrizadas
• Simulação do escoamento sanguíneo em modelos de pacientes específicos
• Variação das condições de contorno: comparação dos resultados
• Uso de modelos computacionais para simulação de condições fisiológicas e mudanças anatômicas
• Aula 5:
• Construção de modelos orientados a pacientes específicos
• Aplicações avançadas da hemodinâmica computacional
• Discussão sobre exercícios realizados em sala de aula

1. Blanco, PJ; Mansilla Alvarez, LA. Slides desenvolvidos para o mini-curso, 2023
2. Blanco, PJ; Mansilla Alvarez, LA. Código de simulação TEPEM4ED (TEPEM for education) desenvolvido para o mini-curso, 2023.

1. Taroco, EO; Blanco, PJ; Feijóo, RA. Introduction to the Variational Formulation in Mechanics: Fundamentals and Applications. 2020 – Wiley
2. Mansilla Alvarez, LA. An Effective Numerical Technique for Pipe-Like Domains and its Application in Computational Hemodynamics. Tese de Doutorado 2018, Orientador: Blanco, PJ – Laboratório Nacional de Computação Científica.
3. Bulant, CA. Computational Models for the Geometric and Functional Assessment of Coronary Circulation. Tese de Doutorado 2017, Orientador: Blanco, PJ – Laboratório Nacional de Computação Científica, Advisor: Pablo Javier Blanco
4. Mansilla Alvarez, LA; Bulant, CA; Ares, GD; Feijóo, RA; Blanco, PJ. A mid-fidelity numerical method for blood flow in deformable vessels. Computer Methods in Applied Mechanics and Engineering, v. 392, p. 114654, 2022.
5. Mansilla Alvarez, LA; Bulant, CA; Ares, GD; Feijóo, RA; Blanco, PJ. Feasibility of coronary blood fow simulations using mid-fdelity numeric and geometric models. Biomechanics and Modeling in Mechanobiology, v. 21, p. 317-334, 2022.
6. Mansilla Alvarez, LA; Blanco, PJ; Bulant, CA; Feijóo, RA. Towards fast hemodynamic simulations in large-scale circulatory networks. Computer Methods in Applied Mechanics and Engineering, v. 344, p. 734-765, 2019
7. Mansilla Álvarez, LA; Blanco, PJ; Bulant, CA; Dari, EA; Veneziani, A; Feijóo, RA. Transversally Enriched Pipe Element Method (TEPEM). An effective numerical approach for blood flow modeling. International Journal for Numerical Methods in Biomedical Engineering, v. 33, p. e2808, 2017

Objetivos: Introdução aos métodos de assimilação de dados, onde várias metodologias são descritas. Breve descrição de redes neurais (RN) e árvores de decisão (AD), sendo descritos: multilayer perceptron (MLP-RN), função de base radial (RBF-RN), aprendizado profundo (DL-RN), rede neural celular (Cell-RN), algoritmo XGBoost (AD). Com base no conteúdo apresentado, várias aplicações serão descritas na fase final do mini-curso. O objetivo é introduzir o participante na descrição e aplicação de técnicas de aprendizado de máquina em assimilação de dados.

Ementa:

1. Introdução a assimilação de dados: Necessidade da assimilação de dados, breve histórico da assimilação de dados.
2. Métodos 'clássicos' em assimilação de dados: Nudging, Métodos variacionais (3D/4D), Métodos Bayesianos: filtro de Kalman (FK), filtro de Kalman por conjunto (EnFK) e filtro de partículas (PF).
3. Técnicas de aprendizado de máquina (AM): breve descrição de redes neurais (MLP, RBF, DL, Cell-RN), algoritmo XGBoost.
4. Aprendizado de máquina para assimilação de dados: análise de complexidade, FK, EnFK, PF, 3D-Var/4D-Var, AM.
5. Aplicações. Modelos de baixa ordem: Lorenz-63, shallow water 1D. Circulação oceânica (shallow water 2D). Processamento paralelo para RN em assimilação de dados. Modelo regional de dinâmica da atmosfera: WRF. Modelo global de dinâmica da atmosfera: SPEED, COAPS-FSU, SPREADS.

1. V. A. Almeida, G. B. França, H. F. Campos Velho, N. F. Ebercken (2020): Artificial neural network for data assimilation by WRF model in Rio de Janeiro, Brazil. Revista Brasileira de Geofísica (impresso), 38, pp. 1-18.
2. J. A. Anochi, H. F. Campos Velho, R. Hernandez Torres (2019): Two geoscience applications by optimal neural network Architecture. Pure and Applied Geophysics, 1776, pp. 1.
3. M. Asch, M. Bocquet, M. Nodet (2016): Data Assimilation: Methods, Algorithms, and Applications. SIAM.
4. H. F. Campos Velho, H. C. M. Furtado, S. B. M. Sambatti, C. O. F. Barros, M. E. S. Welter, R. P. Souto, D. Carvalho, D. O. Cardoso (2022): Data assimilation by neural network for ocean circulation: Parallel implementation. Supercomputing Frontiers and Innovations, 9, pp. 74-86.
5. R. S. C. Cintra, H. F. Campos Velho (2018): Data assimilation by artificial neural networks for an atmospheric general circulation model. In: Adel El-Shahat. (Org.). Advanced Applications for Artificial Neural Networks. Intech, pp. 265-285.
6. R. Daley (1991): Atmospheric Data Analysis. Cambridge University Press.
7. G. Evensen, F. C. Vossepoel, P. J. van Leeuwen (2022): Data Assimilation Fundamentals: A Unified Formulation of the State and Parameter Estimation Problem. Springer.
8. E. Kalnay (2002): Atmospheric Modeling, Data Assimilation and Predictability. Cambridge University Press.

Um curso conciso de seis horas que introduz cientistas e engenheiros aos fundamentos do aprendizado de máquina e da inteligência artificial: uma aula sobre conceitos e terminologia gerais, seguida de módulos separados sobre regressão supervisionada, classificação supervisionada e métodos fundamentais de redes neurais.

• Aula 1: Panorama e conceitos centrais
• Aula 2: Regressão
• Aula 3: Classificação
• Aula 4: Redes Neurais

A inteligência artificial baseada em aprendizado de máquina faz parte das nossas vidas cotidianas de várias formas, como por exemplo: carros autônomos e semi-autônomos, reconhecimento facial e de fala, auxílio a diagnósticos médicos, pesquisas do Google, recomendações de produtos e conteúdo nas redes sociais.
Dentro do contexto científico, essas mesmas ferramentas podem ser utilizadas para modelagem de problemas complexos relacionados a leis físicas. Em particular, as redes neurais informadas pela física (do inglês) Physics-Informed Neural Networks - PINNs) são redes neurais que codificam equações modelo, como equações diferenciais parciais, como um componente da própria rede neural. As PINNs são hoje utilizadas para resolver equações diferenciais ordinárias, parciais, fracionárias, integrais e estocásticas.
Este mini-curso será trabalhado em duas etapas lidando tanto com a parte teórica quanto com a prática. Inicialmente serão trabalhados os aspectos matemáticos básicos das redes neurais artificiais e convolucionais, como funções de ativação, funções de perda, otimização, retropropagação e convolução. Em seguida, para fixar o conteúdo, faremos a implementação de um classificador simples utilizando as ferramentas do Python, como o NumPy e Keras/TensorFlow.
Num segundo momento seá discutido como a estrutura das redes neurais artificiais pode ser modificada para a solução de problemas envolvendo equações diferenciais ordinárias e parciais. Nesta etapa serão implementadas as soluções de problemas diretos envolvendo EDOs e EDPs utilizando inicialmente apenas o Keras/TensorFlow e em seguida a biblioteca DeepXDE.

Pré-requisitos:: Este curso é pensado para um público sem nenhuma familiaridade com as redes neurais ou aprendizado de máquina. Não obstante, alguns pré-requisitos básicos são recomendados. Deseja-se alguma familiaridade com os seguintes tópicos: cálculo multivariável, introdução à álgebra linear e linguagem Python.

Programação:

1. Introdução ao aprendizado de máquina e às redes neurais. Elementos de uma rede neural. Aprendizado supervisionado e não supervisionado. Tipos de redes neurais. Aspectos matemáticos das redes neurais: funções de ativação, retropropagação, otimização e teorema da aproximação universal.
2. Construindo uma rede neural: Codificação ao vivo de uma rede neural artificial para classificação de dígitos manuscritos usando apenas o NumPy (Dataset da MNIST) e usando o Keras/TensorFlow.
3. Introdução às redes neurais informadas pela física: Métodos tradicionais vs PINNs. Como codificar um modelo físico nas redes neurais. Tipos de problemas que podem ser resolvidos. Limitações.
4. Implementando, utilizando o Keras/TensorFlow e a biblioteca DeepXDE, alguns problemas diretos em geometrias distintas envolvendo EDOs e EDPs.

1. I. E. Lagaris, A. Likas, and D. I. Fotiadis. Artificial neural networks for solving ordinary and partial differential equations. IEEE transactions on neural networks, 9(5):987–1000, 1998. https://doi.org/10.1109/72.712178
2. M. Raissi, P. Perdikaris, and G. E. Karniadakis. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378:686–707, 2019. https://doi.org/10.1016/j.jcp.2018.10.045
3. Aditi S. Krishnapriyan, Amir Gholami, Shandian Zhe, Robert M. Kirby, Michael W. Mahoney, Characterizing possible failure modes in physics-informed neural networks, arXiv:2109.01050, 2021. https://doi.org/10.48550/arXiv.2109.01050
4. Lu, Lu and Meng, Xuhui and Mao, Zhiping and Karniadakis, George Em, DeepXDE: A deep learning library for solving differential equations, SIAM Review, 63, 1, 208-228, 2021. https://doi.org/10.1137/19M1274067
5. Cuomo, S., Di Cola, V.S., Giampaolo, F. et al. Scientific Machine Learning Through Physics–Informed Neural Networks: Where we are and What’s Next. J Sci Comput 92, 88 (2022). https://doi.org/10.1007/s10915-022-01939-z

Este minicurso introdutório visa capacitar bioinformatas iniciantes no uso de ambientes computacionais voltados à análise de dados biológicos. Serão abordados conceitos básicos de computação e noções essenciais do sistema Linux, incluindo manipulação de diretórios e arquivos, utilitários de texto e execução de programas no terminal.
Os participantes aprenderão a acessar servidores de forma segura por SSH, SCP e SFTP, compreendendo o fluxo de trabalho típico em clusters e servidores remotos. Por fim, será apresentada uma introdução ao uso de recursos de HPC aplicados à Bioinformática, destacando boas práticas para o gerenciamento e execução de análises em larga escala.

Métodos numéricos tradicionais para equações diferenciais produzem uma única aproximação determinística. Contudo, qual é o grau de confiança que se pode atribuir a essa resposta? Como tratar a incerteza decorrente de erros de discretização ou de condições iniciais imprecisas? O presente minicurso tem por objetivo tratar a solução numérica de equações diferenciais como um problema de inferência estatística. Propomos uma reformulação de alguns numéricos numéricos clássicos (tais como integradores de EDOs e métodos de diferenças finitas) como procedimentos que fornecem estimativas pontuais. Em seguida, discutiremos como enriquecer esses métodos com uma descrição probabilística, obtendo assim uma distribuição a posteriori no espaço de soluções possíveis. Essa formulação permite quantificar, de forma natural, a incerteza numérica, incorporar conhecimentos a priori (suavidade, por exemplo) e viabiliza a integração uniforme com outros modelos probabilísticos. Os participantes terão contato com os conceitos fundamentais da área, com ênfase em métodos baseados em processos gaussianos, e compreenderão como a adoção de uma perspectiva probabilística conduz a métodos mais robustos e informativos.