BackgroundMicroRNAs (miRNAs) are key gene expression regulators in plants and animals. Therefore, miRNAs are involved in several biological processes, making the study of these molecules one of the most relevant topics of molecular biology nowadays. However, characterizing miRNAs in vivo is still a complex task. As a consequence, in silico methods have been developed to predict miRNA loci. A common ab initio strategy to find miRNAs in genomic data is to search for sequences that can fold into the typical hairpin structure of miRNA precursors (pre-miRNAs). The current ab initio approaches, however, have selectivity issues, i.e., a high number of false positives is reported, which can lead to laborious and costly attempts to provide biological validation. This study presents an extension of the ab initio method miRNAFold, with the aim of improving selectivity through machine learning techniques, namely, random forest combined with the SMOTE procedure that copes with imbalance datasets.ResultsBy comparing our method, termed Mirnacle, with other important approaches in the literature, we demonstrate that Mirnacle substantially improves selectivity without compromising sensitivity. For the three datasets used in our experiments, our method achieved at least 97% of sensitivity and could deliver a two-fold, 20-fold, and 6-fold increase in selectivity, respectively, compared with the best results of current computational tools.ConclusionsThe extension of miRNAFold by the introduction of machine learning techniques, significantly increases selectivity in pre-miRNA ab initio prediction, which optimally contributes to advanced studies on miRNAs, as the need of biological validations is diminished. Hopefully, new research, such as studies of severe diseases caused by miRNA malfunction, will benefit from the proposed computational tool.
Este estudo teve por objetivo identificar as condições, expectativas e capacidades de professores de cursos presenciais para a realização de atividades de ensino (letivas) remotas mediadas por tecnologias digitais, em virtude do distanciamento social associado à pandemia da COVID-19. Desenvolveu-se uma pesquisa exploratória, de abordagem quantitativa, com uma amostra não-probabilística de conveniência de 588 professores brasileiros de instituições públicas e privadas de ensino presencial de diversas áreas do conhecimento. Os participantes foram convidados pelas redes sociais a responder voluntariamente a um questionário on-line, entre os dias 19 e 30 de junho de 2020. Foram realizadas análises estatísticas descritivas de parametrização simples (p.ex., frequência, média, desvio-padrão), bem como análises inferenciais, por exemplo, a análise fatorial exploratória e a regressão linear múltipla. Os resultados destacam que a maioria dos professores investigados apresentou predisposição e interesse em realizar atividades remotas, além de condições técnicas de acesso e uso de internet e de equipamentos digitais e computacionais. Apesar disso, a instituições escolares precisam se atentar os intervenientes associados ao ambiente domiciliar, como as demandas domésticas e familiares e as necessidades individuais dos professores que podem se tornar barreiras para o efetivo desenvolvimento da Educação Remota Emergencial.
Introdução: A gestão hospitalar é uma atividade fundamental para atender a legislações e regulações, especialmente em momentos de crise sanitária. Estratégias de gestão utilizam diferentes indicadores (KPI ou Key Performance Indicator) para controlar os processos dentro de um hospital. KPIs neste segmento podem ser a taxa de ocupação (diária ou mensal), o índice de permanência de pacientes, o índice de renovação de pacientes ou a relação de pacientes internados por classificações de doenças, entre outros. A gestão dos dados gerados pelos indicadores visa suportar a tomada de decisão e melhorar os serviços de saúde prestados pela organização. Boas práticas de nomeação de dados evitam combinações de dados incompatíveis para não comprometer a tomada de decisão. Método: Foi aplicado neste artigo um processo sistemático para preparar e integrar dados de indicadores hospitalares com base na modelagem ontológica. Resultado: Um processo para anotação semântica dos dados suportado pela técnica SDD (Semantic Data Dictionary) que usa templates de metadados para facilitar a preparação, integração e reuso de dados na área hospitalar, especificamente, para o indicador de tempo médio de internação. Conclusão: O uso de ontologias na anotação semântica permite desambiguar termos, preservar a semântica dos valores extraídos dos KPIs e abre caminho para a ingestão de dados de KPIs hospitalares a partir de diferentes fontes de dados da rede hospitalar (pública e privada). A abordagem apresentada contribui com a curadoria dos dados, uma vez que a técnica SDD segue as boas práticas para a gestão de dados em diferentes áreas.
Em virtude da pandemia relacionada ao novo coronavírus (COVID-19) e as ações de quarentena e distanciamento social, as aulas presenciais de cerca de 1,5 bilhão de estudantes em 165 países foram suspensas. Este estudo, portanto, tem por objetivo investigar as reações prospectivas de estudantes de cursos técnicos e superiores presenciais quanto às possibilidades de estudos remotos ou na modalidade EaD no período de distanciamento social no Brasil. Desenvolveu-se uma pesquisa com 264 estudantes por meio de um questionário on-line. Realizaram-se análises estatísticas multivariadas (p.ex., análise fatorial e regressão linear múltipla). Os resultados destacam o interesse dos estudantes em manter os estudos remotamente ou à distância. Entretanto, condições de acesso e uso de tecnologias, conjunturas socioeconômicas e a (des)motivação e influência do ambiente domiciliar mostram-se determinantes para continuidade e efetividade dos estudos.
O grande volume de dados produzidos, armazenados e disponibilizados para acesso tornou os computadores imprescindíveis para transformá-los em informação processável pelo homem. Com a mineração de textos, as palavras extraídas podem ser utilizadas no apontamento de relações entre elementos textuais internos ou externos a eles. Neste estudo, apresenta-se uma pesquisa em andamento que busca a descoberta de padrões de coocorrência de palavras-chave nas dissertações e teses do domínio da Ciência da Informação brasileira, utilizando técnicas de inteligência artificial aplicadas aos dados abertos da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes). A metodologia se caracteriza como de natureza aplicada, com objetivos exploratórios de descritivos, e com procedimentos de análise quanti-qualitativos. O método utilizado é quantitativo, na forma de um estudo métrico, com a análise baseada nos princípios da teoria dos grafos. Espera-se que os resultados evidenciem a possibilidade de parcerias entre pesquisadores, tendências de pesquisa, temas pouco explorados, entre outros elementos.
O objetivo deste artigo é apresentar os impactos e possibilidades em empreendedorismo cultural por meio do Mapa das Culturas do IFNMG (Instituto Federal do Norte de Minas Gerais), uma plataforma on-line, que visa à identificação e à divulgação dos agentes, artistas, artesãos, eventos, projetos e espaços culturais nesta área de abrangência. Assim, por meio de um estudo bibliográfico e documental, de abordagem descritiva, cita-se a criação do Mapa das Culturas do IFNMG e discutem-se os avanços decorridos da implantação dessa plataforma para o crescimento e consolidação das manifestações culturais regionais. Em setembro de 2020, o Mapa das Culturas do IFNMG já possuía o registro de 181 agentes, 52 eventos, 17 equipamentos e 7 projetos culturais, além de 14.362 visualizações com um pouco mais de 1 ano de sua implementação. Depreende-se que o Mapa das Culturas do IFNMG possibilita que os agentes culturais da região obtenham melhor posicionamento em sites (buscadores) de pesquisa e maior qualidade dos dados para pesquisas governamentais, científicas e comerciais. Em consequência disso, esperam-se maiores oportunidades para os trabalhadores da cultura regional e maior desenvolvimento socioeconômico.
Introdução: A abertura das bases de dados governamentais pode contribuir positivamente com a democracia, transparência e controle social, pois oportuniza ao cidadão o acesso, reutilização, modificação e redistribuição livre das informações não sigilosas dos órgãos públicos. Porém, nem todos os dados de interesse da sociedade se encontram publicados em formatos abertos no presente momento. Esse estudo verifica se os dados referentes aos Institutos Federais de Educação, Ciência e Tecnologia, que são comumente solicitados à Controladoria-Geral da União pela sociedade civil, estão sendo catalogados no Portal Brasileiro de Dados Abertos. Método: Foi conduzida uma pesquisa quantitativa no Portal Brasileiro de Dados Abertos com suporte da técnica de pesquisa documental, o que permitiu analisar os conjuntos de dados publicados pelos Institutos Federais. Criou-se um índice para analisar cada um dos 14 temas coletados, o qual originou um indicador quantitativo utilizado na comparação dos resultados de cada Instituto Federal envolvido na pesquisa. Resultados: Identificou-se que 73,70% dos Institutos Federais catalogaram pelo menos um conjunto de dados no Portal Brasileiro de Dados Abertos. No entanto, verificaram-se contundentemente diversas lacunas na disponibilização de dados abertos por parte dessas instituições, além da baixa aderência à abertura de dados em conformidade às recomendações da Controladoria-Geral da União. Conclusão: Estudos como o realizado neste artigo contribuem para que a Administração Pública, especialmente considerando o contexto dos Institutos Federais, tenham subsídios que indiquem possíveis pontos de melhorias no que tange às demandas da sociedade sobre transparência e governança.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
334 Leonard St
Brooklyn, NY 11211
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.