A modelagem de processos de negócio constitui uma etapa importante na identificação de requisitos de sistema, o qual também é utilizado como base para a modelagem do mesmo. No entanto, dificuldades são encontradas ao realizar a transformação dos elementos presentes em um modelo de negócio para um modelo de sistema em razão de cada um utilizar notações e linguagens diferentes em sua criação. Em razão disso, métodos de transformação são propostos para realizar a interpretação dos elementos de um modelo ao outro para evitar que informações importantes sejam perdidas no processo de modelagem do sistema. Com este objetivo, foi realizado um mapeamento sistemático para identificar publicações sobre métodos de transformação de modelos de negócio para modelos de sistema. Na literatura foram encontrados diferentes métodos propostos para a realização desta transformação, no entanto, na maior parte dos casos não ocorre uma transformação direta do modelo de negócios para o diagrama de classes de análise e quando ocorre não é utilizado um processo formalizado para a geração da estrutura deste diagrama, o que pode resultar em falhas caso seja realizado de forma totalmente manual por um analista. Outro problema observado é a quantidade reduzida de elementos que são transformados, sendo que, muitos dos elementos do modelos de negócio poderiam ser transformados em elementos do diagrama de classes, mas são descartados durante as etapas do processo de transformação. A partir destas informações, este trabalho propôs a criação do método de transformação TMBC, o qual transforma diretamente modelos de negócio, criados por meio da notação Business Process Model and Notation (BPMN), para modelos de classes de análise, criados utilizando o diagrama de classes da notação Unified Modeling Language UML. O método utiliza a arquitetura de transformação Model Driven Architecture (MDA) para a criação dos modelos, a qual define a modelagem como o centro do processo de desenvolvimento com o objetivo de desconsiderar limitações referentes à plataforma utilizada para a implementação do sistema. Para a formalização do processo é utilizada a linguagem de transformação de modelos Atlas Transformation Language (ATL), onde são criadas as regras de relacionamento entre os elementos dos metamodelos da BPMN e da UML, que posteriormente são executadas para gerar a estrutura do modelo final em XML Metadata Interchange (XMI) que é utilizado para a criação do modelo do diagrama de classes. Para verificação da aplicabilidade do método a transformação foi realizada em 3 estudos de caso diferentes e os pontos de destaque foram comparados com outros métodos presentes na literatura.

A bioinformática é um campo de estudo que tem a necessidade de construção de ferramentas que trabalham de forma otimizada e possuem um tempo de resposta rápido para o usuário. O material de estudo dessa área vem principalmente dos grupos de cadeias genéticas, dentre os quais, o micro RNA é a classe escolhida para estudo e por isso, foram selecionadas ferramentas de predição desse tipo específico de molécula genética Mirinho e miRBoost de forma à serem integradas em um único ambiente. A solução foi denominada miRQuest 2 e para a integração foi utilizado o balanceamento de carga por meio do algoritmo de Round Robin, além disso, foi utilizada a linguagem de programação Python para a construção de uma API integrada com uma interface desenvolvida em React para realização do processamento de uma cadeia FASTA da base de dados miRBase. Este algoritmo fornece otimizações e o tempo de resposta foi considerado satisfatório. A diferença de tempo de execução da ferramenta Mirinho na linha de comando e da solução computacional foi de 20%, enquanto que na ferramenta miRBoost foi de 5%.

Nos últimos anos, o crescimento das bases de dados impulsionado pelas aplicações Web 2.0 evidenciou limitações do modelo relacional quando se trata de escalabilidade. Isso fez com que surgissem os bancos de dados NoSQL, com modelos de armazenamento de dados diferentes do relacional. Esses bancos de dados propõem soluções para tais limitações por meio da escalabilidade horizontal e comprometem parcialmente a consistência dos dados. A combinação de diversos modelos de dados, chamada de persistência poliglota, amplia essas soluções provendo recursos para a implementação de sistemas complexos, que possuem componentes com requisitos distintos e que não seriam possíveis de ser implementados pelo emprego de apenas um modelo de dados de forma satisfatória. No entanto, não existem métodos consolidados para o projeto de banco de dados NoSQL, tão pouco para o desenvolvimento de sistemas que fazem uso da persistência poliglota. Este trabalho propõe um método de projeto de banco de dados aplicado à sistemas que utilizem persistência poliglota, pela combinação de diferentes modelos de dados. Este método pode ser aplicado ao modelo relacional e aos modelos de dados NoSQL orientados à agregados. O método proposto define um conjunto de sub-etapas pautadas nos conceitos já existentes de projeto de banco de dados. O objetivo é definir um processo formal para auxiliar na definição dos modelos de dados a serem utilizados e transformar o projeto conceitual em projeto lógico. Ao final, é demonstrada a aplicação do método em 3 casos de teste, visando demonstrar seus resultados e sua aplicabilidade para posterior execução do projeto físico das bases de dados.

A predição de proteínas em dados de bioinformática é um exemplo de problema de Classificação Hierárquica Multirrótulo no qual cada instância pode estar associada a múltiplas classes, e estas por sua vez, estão organizadas em uma hierarquia. A alta dimensionalidade dos atributos e das classes influencia no desempenho dos classificadores, tanto no custo computacional quanto na capacidade preditiva, pois prejudica a busca por padrões e descoberta de conhecimento útil. A extração de atributos é uma das técnicas utilizadas para alcançar a redução de dimensionalidade em base de dados, e assim eliminar atributos irrelevantes e/ou redundantes que tendem a confundir um algoritmo de aprendizagem. Nessa técnica, por meio de combinações e/ou transformações dos atributos originais, geram-se novos atributos, mais significativos e que melhor representam a base de dados, em um espaço de menor dimensão. Desse modo, neste trabalho propõe-se um novo método de extração de atributos, FEAE-HMC, para classificação hierárquica multirrótulo, baseado em conceitos e técnicas de Deep Learning, por meio de adaptações em uma rede Autoencoder clássica. O método FEAE-HMC é dividido em duas etapas principais: a extração de atributos e a avaliação do conjunto de dados reduzido por meio de um classificador hierárquico multirrótulo (Clus-HMC e MHC-CNN) e sua medida de desempenho (AUPRC). Para a realização dos experimentos são utilizados dados biológicos de 10 bases de dados da Ontologia Gênica, sendo que as classes das mesmas estão estruturadas em uma hierarquia no formato de um Grafo Acíclico Dirigido (DAG). Conforme os resultados experimentais, o método FEAE-HMC se mostrou capaz de extrair representações de menor dimensão, que podem agregar correlações entre os atributos e rótulos. Essas representações, quando submetidas a um Classificador Hierárquico Multirrótulo, geram modelos nos quais se obtêm o desempenho preditivo equivalente e até mesmo superior ao desempenho da base original. A diferença obtida entre a medida AUPRC da base completa e uma base reduzida, com uma redução de até 90% da dimensionalidade original, é inferior a 0,047 em ambos classificadores. Testes estatísticos demonstram que as bases reduzidas extraídas pelo FEAE-HMC, são no mínimo estatisticamente equivalentes as bases originais.