IBI5048 - Inferência de conectividade e relações causais por análise de séries temporais multivariadas em sistemas biológicos

OBJETIVOS:

 Apresentar e discutir metodologias observacionais que permitam inferir nexos de interdependência dinâmica entre variáveis múltiplas ao tempo ilustrando e instrumentalizando a audiência para o uso de técnicas apropriadas.

JUSTIFICATIVA:

Tem se assistido a um crescente interesse por inferir nexos causais (conectividade) entre variáveis que evoluem dinamicamente. Tal interesse deu lugar, especialmente em neurobiologia a um ramo de inferência de conectividade cerebral baseada na análise de séries temporais de atividades neurais tais como sinais eletroencefalográficos (EEG).

O domínio de técnicas de análise de séries temporais multivariadas em nível de pós-graduação tornou-se importante por sua aplicabilidade em diversas aplicações em neurociêncais e bioinformática, e outras áreas de ciências naturias, mas que, pelo seu caráter avançado, ainda carecem de difusão adequada. Pretende-se enfocar nos conceitos principais e nos detalhamentos de técnicas correntemente usadas,  fornecendo instrumentos concretos para sua aplicação por meio de exemplos de problemas reais e modelos dinâmicos emprestados da literatura.

A disciplina também se justifica em nível pós-graduação na medida em que várias dessas conceitos e técnicas ainda estão em processo de evolução e têm diversas implicações analítico-filosóficas interessantes.

CONTEÚDO (EMENTA):

 

1 - Elementos de Predição em Séries Temporais univariadas

2 - Séries temporais multivariadas

3 - Causalidade de Granger

4 - Causalidade no Domínio da Frequência

5 - Testes de Causalidade/Conectividade

6 - Software para Estimação de Causalidade

7 - Uso do pacote AsympPDC

8 - Aspectos de aquisição e qualidade de Dados e modelos dinâmicos

9 - Representações Gráficas de Conectividade

10 – Causalidade: Implicações Conceituais e Filosóficas

 

BIBLIOGRAFIA:

 

  1. Baccalá LA, Sameshima K. Partial directed coherence: a new concept in neural structure determination. Biol Cybern. Biol. Cybern. 84:463--474 (2001)
  2. Fujita, et al. (2007) Time-varying modeling of gene expression regulatory networks using the wavelet dynamic vector autoregressive method. Bioinformatics. 23:1623-1630.
  3. Geweke J (1982) Measurement of linear dependence and feedback between multiple time series. J Am Stat Assoc 77: 304--313
  4. Granger CWJ (1969) Investigating causal relations by econometric models and cross-spectral methods. Econometrica 37: 424--438
  5. Kaminski MJ, Blinowska KJ (1991) A new method of the de- scription of the information ̄ow in the brain structures. Biol Cybern 65: 203--210
  6. Lutkepöhl H (1993) Introduction to Multiple Time Series Analysis, 2nd edn. Springer, Berlin Heidelberg New York
  7. Lütkepohl H, Krätzig M (2004) Applied Time Series Econometrics. Cambridge University Press, Londres
  8. Sameshima K, Baccalá LA (2014). Methods in Brain Connectivity Inference through Multivariate Time Series Analysis (Frontiers in Neuroengineering Series). CRC Press, Boca Raton.

Além de outros materiais de leitura que serão indicados ao longo do curso.

 

CRITÉRIOS DE AVALIAÇÃO:

 

A nota será derivada da média de exercícios teóricos e práticos e realização de um trabalho que aplique as técnicas a dados reais. O trabalho será avaliado pelo seu conteúdo,  pela sua forma escrita e por sua apresentação em forma de seminário.

 

OBSERVAÇÕES: É necessário o conhecimento de uma linguagem, preferencialmene MATLAB ou Octave (http://www.gnu.org/software/octave/).