DCC - UFMG
+55 31 3409 5860
ciia-saude@dcc.ufmg.br

Duncan Dubugras Alcoba Ruiz


Duncan Dubugras Alcoba Ruiz

Pontifícia Universidade Católica do Rio Grande do Sul
PPGCC

Pesquisador associado





Informações resumidas do Currículo Lattes


Currículo Lattes atualizado em 12/04/2021

Nome em citações bibliográficas: RUIZ, Duncan D.;Ruiz, Duncan D.;RUIZ, Duncan Dubugras A.;Ruiz, Duncan Dubugras A.;RUIZ, Duncan D. A.;Ruiz, Duncan D. A.;RUIZ, Duncan Dubugras Alcoba;Ruiz, Duncan Dubugras Alcoba;RUIZ, Duncan;Ruiz, Duncan;RUIZ, D.;Ruiz, D.;Ruiz, Duncan DA;RUIZ, Duncan D;Ruiz, Duncan D;D. Ruiz, Duncan;Dubugras Alcoba Ruiz, Duncan;Ruiz, Duncan Dubugras;Dubugras Ruiz, Duncan


Formação acadêmica

Doutorado em Computação na Universidade Federal do Rio Grande do Sul em 1995
Mestrado em Computação na Universidade Federal do Rio Grande do Sul em 1987
Graduado em Engenharia Elétrica na Universidade Federal do Rio Grande do Sul em 1983


Projetos de pesquisa em andamento

2019 a AtualTriagem Virtual de Candidatos a Fármacos para a Tuberculose, assistida por Aprendizado Profundo
Este projeto objetiva contribuir na busca de novos fármacos para a tuberculose, doença negligenciada e ainda muito presente no Brasil. Para tanto, propõe evoluir os esforços nessa direção com o emprego de aprendizado profundo, que constitui o estado da arte e o estado da tecnologia em aprendizado de máquina. Este projeto tem grande potencial de inovação pois tanto a descoberta de novos fármacos, como os processos para identificação e validação deles, são patenteáveis. A partir dos avanços já conseguidos no PPGCC-PUCRS na triagem virtual de ligantes e na execução eficiente de experimentos de docagem molecular, este projeto vai ao encontro, com uma abordagem baseada em aprendizado profundo, por duas frentes: ? seleção e ranqueamento de ligantes baseados nas propriedades físico-químicas de um modelo de receptor totalmente flexível [Quevedo, 2016]; ? otimização de experimentos de docagem molecular, sobre um modelo de receptor totalmente flexível, em computação em nuvem [De Paris, 2016, dos Santos, 2017, De Paris et al., 2018]. Para tanto, pretende-se investigar redes neurais profundas, em especial redes adversárias generativas (GAN em Inglês) [Goodfellow et al., 2014], que têm se mostrado muito promissoras em síntese de poses de rostos [Yin et al., 2017, Huang et al., 2017, de Souza, 2018a, de Souza and Ruiz, 2018], para sintetizar conformações 3D da InhA. Tomando por base tanto as 92 estruturas publicadas no Protein Data Bank e os modelos de receptor totalmente flexível (FFR) disponíveis, pretende-se explorar o espaço conformacional de maneira mais ampla, verificar a qualidade das conformações geradas e usá-las como entrada para o método de triagem virtual de [Quevedo, 2016]. Com isso pretende-se buscar expandir e qualificar a busca por ligantes nas bases de dados como o ZINC [Irwin and Shoichet, 2005]. Além disso, pretende-se também evoluir a arquitetura siamesa proposta por [dos Santos, 2017] para, com as conformações produzidas pelas GANs e os ligantes selecionados pelo método de triagem virtual, verificar as chances de um ligante ser candidato a fármaco da InhA. Pretende-se inicialmente, para os casos promissores, submeter os pares ligante-receptor para o método proposto por [De Paris, 2016, De Paris et al., 2018], e, posteriormente, integrar a abordagem de [dos Santos, 2017] no método de [De Paris, 2016]. Pretende-se, ainda, evoluir o trabalho documentado em [dos Santos, 2017] para investigar novas arquiteturas, outras redes neurais avançadas e funções de energia adequadas. Neste sentido, conta-se com a parceria da TEIA Labs para ajudar nesta investigação. Como resultado, espera-se ter uma maior cobertura do espaço conformacional que a enzima InhA pode assumir, e identificar mais ligantes com chances de serem candidatos a fármaco. Como consequência, espera-se ajudar na busca por novos remédios para combater essa doença terrível, que é a tuberculose.
Integrantes: Duncan Dubugras Alcoba Ruiz (coordenador).
2018 a AtualFace Pose Synthesis using GANs
In this proposal, we intend to leverage the power of Generative Adversarial Networks (GANs) to synthesize face poses in a high quality photo-realistically manner. While most of the previous work try to synthesize a frontal view of the face, we intend to approach the problem in a simpler way. We would like to take advantage of the powerful face descriptors that are already available and ease their job by giving them more pose variation to work with. Instead of frontalizing faces and performing 1:1 matching, we could synthesize different poses and make a N:N matching. To do so, we intend to develop a GAN that can learn a disentangled representation of faces. In addition, we would like to control pose along the three axis of space (roll, pitch and yaw). Also it is necessary that the GAN be conditioned to an input face image, so we could synthesize photos of a particular person specifying the pose we want. Furthermore, it is important to the GAN to have the ability of synthesize new poses that preserve the identity characteristics of the input face. Even though it is not our primary objective, such method could be easily applied to perform data augmentation of face image datasets. In this scenario, it could be used to improve training and yield better face descriptors. The expected results are: i) a novel GAN that can synthesize face poses in a high quality fashion given a face as input; and ii) an improved way of performing face matching using synthesized face images to improve the state-of-the-art for pose-invariant face recognition (PIFR). Evaluating the quality of data generated by a model is tricky but, in this scenario in particular, we can measure the impact on face matching and evaluate the model for this purpose. If our assumption of face matching improvement does not hold true during the course of the research, we plan to share the knowledge acquired on GANs and help the scientific community to improve such generative method further. Finally, our findings may guide us to the most promising direction to PIFR improvement. We intend to use the GPU to train deep generative adversarial networks. Training deep neural networks can be accelarated by a huge factor using GPUs. In GANs, this speed is even more noticed as we need to train two deep networks jointly. This, therefore, allow us to perform hyper-parameter optimization in a timely manner and, consequently, achieve better results.
Integrantes: Duncan Dubugras Alcoba Ruiz (coordenador), Douglas Matos de Souza.

Projetos de desenvolvimento em andamento

2019 a AtualTriagem Virtual de Candidatos a Fármacos para a Tuberculose, assistida por Aprendizado Profundo
Este projeto objetiva contribuir na busca de novos fármacos para a tuberculose, doença negligenciada e ainda muito presente no Brasil. Para tanto, propõe evoluir os esforços nessa direção com o emprego de aprendizado profundo, que constitui o estado da arte e o estado da tecnologia em aprendizado de máquina. Este projeto tem grande potencial de inovação pois tanto a descoberta de novos fármacos, como os processos para identificação e validação deles, são patenteáveis. A partir dos avanços já conseguidos no PPGCC-PUCRS na triagem virtual de ligantes e na execução eficiente de experimentos de docagem molecular, este projeto vai ao encontro, com uma abordagem baseada em aprendizado profundo, por duas frentes: ? seleção e ranqueamento de ligantes baseados nas propriedades físico-químicas de um modelo de receptor totalmente flexível [Quevedo, 2016]; ? otimização de experimentos de docagem molecular, sobre um modelo de receptor totalmente flexível, em computação em nuvem [De Paris, 2016, dos Santos, 2017, De Paris et al., 2018]. Para tanto, pretende-se investigar redes neurais profundas, em especial redes adversárias generativas (GAN em Inglês) [Goodfellow et al., 2014], que têm se mostrado muito promissoras em síntese de poses de rostos [Yin et al., 2017, Huang et al., 2017, de Souza, 2018a, de Souza and Ruiz, 2018], para sintetizar conformações 3D da InhA. Tomando por base tanto as 92 estruturas publicadas no Protein Data Bank e os modelos de receptor totalmente flexível (FFR) disponíveis, pretende-se explorar o espaço conformacional de maneira mais ampla, verificar a qualidade das conformações geradas e usá-las como entrada para o método de triagem virtual de [Quevedo, 2016]. Com isso pretende-se buscar expandir e qualificar a busca por ligantes nas bases de dados como o ZINC [Irwin and Shoichet, 2005]. Além disso, pretende-se também evoluir a arquitetura siamesa proposta por [dos Santos, 2017] para, com as conformações produzidas pelas GANs e os ligantes selecionados pelo método de triagem virtual, verificar as chances de um ligante ser candidato a fármaco da InhA. Pretende-se inicialmente, para os casos promissores, submeter os pares ligante-receptor para o método proposto por [De Paris, 2016, De Paris et al., 2018], e, posteriormente, integrar a abordagem de [dos Santos, 2017] no método de [De Paris, 2016]. Pretende-se, ainda, evoluir o trabalho documentado em [dos Santos, 2017] para investigar novas arquiteturas, outras redes neurais avançadas e funções de energia adequadas. Neste sentido, conta-se com a parceria da TEIA Labs para ajudar nesta investigação. Como resultado, espera-se ter uma maior cobertura do espaço conformacional que a enzima InhA pode assumir, e identificar mais ligantes com chances de serem candidatos a fármaco. Como consequência, espera-se ajudar na busca por novos remédios para combater essa doença terrível, que é a tuberculose.
Integrantes: Duncan Dubugras Alcoba Ruiz (coordenador).
2018 a AtualFace Pose Synthesis with GANs
n this proposal, we intend to leverage the power of Generative Adversarial Networks (GANs) to synthesize face poses in a high quality photo-realistically manner. While most of the previous work try to synthesize a frontal view of the face, we intend to approach the problem in a simpler way. We would like to take advantage of the powerful face descriptors that are already available and ease their job by giving them more pose variation to work with. Instead of frontalizing faces and performing 1:1 matching, we could synthesize different poses and make a N:N matching. To do so, we intend to develop a GAN that can learn a disentangled representation of faces. In addition, we would like to control pose along the three axis of space (roll, pitch and yaw). Also it is necessary that the GAN be conditioned to an input face image, so we could synthesize photos of a particular person specifying the pose we want. Furthermore, it is important to the GAN to have the ability of synthesize new poses that preserve the identity characteristics of the input face. Even though it is not our primary objective, such method could be easily applied to perform data augmentation of face image datasets. In this scenario, it could be used to improve training and yield better face descriptors. The expected results are: i) a novel GAN that can synthesize face poses in a high quality fashion given a face as input; and ii) an improved way of performing face matching using synthesized face images to improve the state-of-the-art for pose-invariant face recognition (PIFR). Evaluating the quality of data generated by a model is tricky but, in this scenario in particular, we can measure the impact on face matching and evaluate the model for this purpose. If our assumption of face matching improvement does not hold true during the course of the research, we plan to share the knowledge acquired on GANs and help the scientific community to improve such generative method further. Finally, our findings may guide us to the most promising direction to PIFR improvement. We intend to use the GPU to train deep generative adversarial networks. Training deep neural networks can be accelarated by a huge factor using GPUs. In GANs, this speed is even more noticed as we need to train two deep networks jointly. This, therefore, allow us to perform hyper-parameter optimization in a timely manner and, consequently, achieve better results. Grant NVIDIA TITAN Xp, PG611-C00
Integrantes: Duncan Dubugras Alcoba Ruiz (coordenador), Douglas Matos de Souza.
Veja todos os projetos no Currículo Lattes

Últimas publicações

Artigos em periódicos

SmartIX: A database indexing agent based on reinforcement learning
2020. APPLIED INTELLIGENCE (DORDRECHT. ONLINE).
O VALOR AGREGADO COM BASE EM DADOS DE ESFORÇO: UMA ABORDAGEM INTERDISCIPLINAR PARA CUSTOMIZAR CRONOGRAMAS DE UMA FÁBRICA DE SOFTWARE
2018. InterScience Place.
Fusing Scene Context to Improve Object Recognition
2018. Journal of Information and Data Management - JIDM.
A selective method for optimizing ensemble docking-based experiments on an InhA Fully-Flexible receptor model
2018. BMC BIOINFORMATICS.
An Effective Approach for Clustering InhA Molecular Dynamics Trajectory Using Substrate-Binding Cavity Features
2015. Plos One.
Clustering Molecular Dynamics Trajectories for Optimizing Docking Experiments
2015. Computational Intelligence and Neuroscience.
Evolutionary model trees for handling continuous classes in machine learning
2011. Information Sciences.

Trabalhos completos em congressos

Efficient Neural Architecture for Text-to-Image Synthesis
2020. 2020 International Joint Conference on Neural Networks (IJCNN).
How Machine Learning Has Been Applied in Software Engineering?
2020. 22nd International Conference on Enterprise Information Systems.
GADIS: A Genetic Algorithm for Database Index Selection (S)
2019. The 31st International Conference on Software Engineering and Knowledge Engineering.
A Mapping Study about Data Lakes: An Improved Definition and Possible Architectures
2019. The 31st International Conference on Software Engineering and Knowledge Engineering.
Measuring Semantic Similarity Between Sentences Using a Siamese Neural Network
2018. IEEE International Joint Conference on Neural Networks (IJCNN).
GAN-Based Realistic Face Pose Synthesis with Continuous Latent Code
2018. International Florida Artificial Intelligence Conference (FLAIRS).
Bandit-Based Automated Machine Learning
2018. 2018 7th Brazilian Conference on Intelligent Systems (BRACIS).
Towards High-Resolution Face Pose Synthesis
2018. IEEE International Joint Conference on Neural Networks (IJCNN).
Virtual Screening Assisted by Siamese Neural Networks
2017. 30th Florida Artificial Ingelligence Research Society Conference.
CUsTOMEr: a novel Customer chUrn predicTion methOd based on Mobile application usagE
2017. International Wireless Communications and Mobile Computing Conference (IWCMC).
Effect of Metalearning on Feature Selection Employment
2017. Workshop AutoML 2017 @ ECML-PKDD: Automatic selection, configuration and composition of machine learning algorithms.
Media professionals? opinions about interactive visualizations of political polarization during Brazilian presidential campaigns on Twitter
2017. 50th Hawaii International Conference on System Sciences.
Using scene context to improve object recognition
2017. th Sympo-sium on Knowledge Discovery, Mining and Learning (KDMiLe 2017).
Hybrid Activity and Plan Recognition for Video Streams
2017. 31st. AAAI Conference: Plan, Activity and Intent Recognition Workshop.
A Meta-Learning Framework for Algorithm Recommendation in Software Fault Prediction
2016. ACM Symposium on Applied Computing (SAC).
Movie Genre Classification with Convolutional Neural Networks
2016. IEEE International Joint Conference on Neural Networks (IJCNN).
(Deep) Learning from Frames
2016. Brazilian Conference on Intelligent Systems (BRACIS).

Resumos expandidos em congressos

A Conceptual Many Tasks Computing Architecture to Execute Molecular Docking Simulations of a Fully-Flexible Receptor Model
2011. 6th Brazilian Symposium on BioInformatics BSB 2011.
COMPARISON OF DISCRETIZATION METHODS OF FLEXIBLE-RECEPTOR DOCKING DATA FOR ANALYSES BY DECISION TREES
2010. IADIS Applied Computing 2010 conference.
FReDD: Supporting Mining Strategies through a Flexible-Receptor Docking Database
2009. IV Brasilian Symposium on Bioinformatics.
Uma Abordagem voltada a Evolução de Métricas em PDS para Processos de Negócio
2006. XI Workshop de Teses e Dissertações em Engenharia de Software.
Descoberta de conhecimento em processos de Workflow modelados e executados sobre plataforma Oracle
2005. 2a sessão de Demos do 10 Simpósio Brasileiro de Banco de Dados - SBC.

Resumos em congressos

Recent Advances in Molecular Docking Experiments of Fully-Flexible Receptor Models - Poster A18
2014. III International Society for Computational Biology Latin America X-Meeting on Bioinformatics with BSB and SoiBio (ISCB-Latin America).
Development of a fully-flexible receptor-based ligand filter to accelerate virtual screening
2010. V Brazilian Symposium on Bioinformatics - BSB2010.
Mineração de dados geográficos no auxílio à localização de depósitos de hidrocarbonetos
2010. XI Salão de Iniciação Científica da PUCRS.
Construção de Modelos de 'Ouvidorias' Virtuais para Hospitais Universitários
2010. XI Salão de Iniciação Científica da PUCRS.
Banco de Dados para 'Ouvidorias' Virtuais em Instituições de Ensino Superior
2010. XI Salão de Iniciação Científica da PUCRS.

Veja todas as publicações no Currículo Lattes

Orientações em andamento

Mestrado

André Luiz Giordani. (provisório) Exploração de SGBDs orientados a grafos para Bioinformática. Início: 2021. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
Luís Fernando Bittencourt. (provisório) Um modelo de aprendizado de máquina para avaliação de imóveis no Brasil. Início: 2021. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
José Fernando Possebon Júnior. Captura assistida de incidentes por aprendizado de máquina. Início: 2020. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
Alessandra Helena Jandrey. QUALIDADE DE SOFTWARE E DEFICIÊNCIA VISUAL: UM ESTUDO SOBRE LEITORES DE TELA. Início: 2019. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
André Roldão Mattei Souza Velho. USING GANS TO DEAL WITH NOISE IN AUDIO. Início: 2019. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)

Doutorado

Laura Angélica Tomaz da Silva. EM DIREÇÃO A APRENDIZADO PROFUNDO MAIS EFICAZ, SOBRE IMAGENS MÉDICAS, POR TRANSFERÊNCIA DE APRENDIZADO. Início: 2019. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
Júlia Mara Colleoni Couto. TOWARDS A LIGHTWEIGHT DATA PROFILING MANAGEMENT APPROACH FOR HADOOP-BASED DATA LAKES. Início: 2018. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)
Douglas Matos de Souza. Beyond Generative Models: Pushing the boundaries of Adversarial Training. Início: 2018. Pontifícia Universidade Católica do Rio Grande do Sul (Orientador principal)

Veja todas as orientações no Currículo Lattes