Advances in probabilistic graphical models for optimisation and learningapplications in protein modeling

Resumen

La tesis introduce un número de propiedades de la clase de aproximaciones de Kikuchi que utiliza descomposiciones basadas en cliques, Un algoritmo que aprende esta aproximación a partir de datos es introducido y evaluado en diferentes tipos de problemas de aproximación. Propiedades de Markov de la aproximación de Kikuchi en el producto de aproximaciones de Kikuchi locales definidas en una descomposición del grafo. Adicionalmente, la tesis clarifica el lugar de las descomposiciones basadas en cliques en relación con otras técnicas inspiradas por métodos de física estadística y discute la aplicación de los resultados introducidos en la concepción de algoritmos de aprendizaje de aproximaciones de Kukuchi. Una algoritmo basado en "búsqueda+evaluación" que aprende aproximaciones de Kikuchi a partir de datos es introducido. La tesis presenta los resultados en el uso de este algoritmo en la aproximación de distribuciones de probabilidad generadas a partir de redes Bayesianas. Un algoritmo de estimación de distribuciones generalizado es introducido. La tesis aborda el problema de la aplicación de métodos de optimización basados en modelos gráficos a problemas de biología computacional y bioinformática. Se presentan resultados en la aplicación de diferentes variantes de algoritmos de estimación de distribución para la resolución de problemas computaciones de proteínas.