Bolsa de Temas de Doutoramento

Minuta Plano de Trabalho PhD

Para mais informações contactar a Comissão Executiva do CEAUL (ceceaul2017@ciencias.ulisboa.pt).

Temas de Doutoramento disponíveis

Nome dos Orientadores: Rui Martins e Lisete Sousa(CEAUL e Faculdade de Ciências da Universidade de Lisboa) e Ivone Figueiredo (IPMA)

Breve resumo do plano de trabalho e objetivos a atingir: Modelos bayesianos hierárquicos de espaço de estados (SSM) são uma abordagem flexível que permite modelar, de uma forma muito realista, a dinâmica de populações. Esta aproximação têm vindo a ter um peso cada vez maior na comunidade científica que lida com a avaliação do estado de exploração e aconselhamento cientifico para a gestão de reservas de peixe nos oceanos. Actualmente são a espinha dorsal dos métodos estatísticos utilizados na problemática do aconselhamento cientifico para a gestão de pescarias. Os SSMs são modelo hierárquicos que permitem acomodar a modelação de duas séries temporais: 1) série temporal que não é observada e tenta refletir o verdadeiro, mas oculto, estado/processo da natureza; e 2) uma série temporal de observações ou medições relacionadas com as séries do estado. Por exemplo, o tamanho real da população de peixes ao longo do tempo seria a série temporal do estado, enquanto que as contagens incompletas e imprecisas de peixes amostrados, ou capturados durante a pesca, seriam as séries temporais das observações. Estas duas componentes estocásticas atuam em diferentes níveis da hierarquia do modelo, e a estrutura do modelo de espaço de estados permite que eles sejam modelados separadamente.

Um dos objectivos da tese é utilizar os modelos já existentes na literatura e desenvolvidos, por exemplo, em Mäntyniemi et al. 2015, como ponto de partida para novas propostas, as quais permitam expandir esses modelos para prever, em particular, como é que a abundância de goraz (Pagellus bogaraveo) na costa Portuguesa responde a diferentes níveis de pressão de pesca.

Também se sabe que as opiniões dos envolvidos no sector das pescas (pescadores, biólogos, etc) sobre o funcionamento de um ecossistema não são unânimes, uma vez que a observação/amostragem desse ecossistema é muito difícil. Por isso, pretende-se desenvolver um método para que o conhecimento por parte de diferentes especialistas da área seja levado em consideração na avaliação das abundância, modelando quantitativamente, e em conjunto, as suas respostas/opiniões por forma a construir uma distribuição a priori que reflicta este conhecimento. Os modelos individuais poderão ser fundidos num único modelo bayesiano ponderado. Como resultado, as opiniões dos diferentes peritos poderão ser incorporadas nos SSM a desenvolver.

Requisitos: Mestrado em Estatística, Bioestatística, Matemática, Ecologia ou áreas afins. Formação sólida em Estatística Bayesiana.

Doutoramento: Estatística e Investigação Operacional – Especialidade de Probabilidade de Estatística, Faculdade de Ciências da Universidade de Lisboa.

Conctacto: rmmartins@fc.ul.pt

Bibliografia:

Auger-Méthé, M., Newman, K., Cole, D., Empacher, F., Gryba, R., King, A. A., … & Thomas, L. (2020). A guide to state-space modeling of ecological time series. arXiv preprint arXiv:2002.02001.

Pinho, M., Diogo, H., Carvalho, J., & Pereira, J. G. (2014). Harvesting juveniles of blackspot sea bream (Pagellus bogaraveo) in the Azores (Northeast Atlantic): biological implications, management, and life cycle considerations. ICES Journal of Marine Science, 71(9), 2448-2456.

Mäntyniemi, S. H., Whitlock, R. E., Perälä, T. A., Blomstedt, P. A., Vanhatalo, J. P., Rincón, M. M., … & Kuikka, O. S. (2015). General state-space population dynamics model for Bayesian stock assessment. ICES Journal of Marine Science, 72(8), 2209-2222.

Doutoramento: Programa de Doutoramento em Matemática Aplicada e Modelação (DMAM) da Universidade Aberta (de Portugal)

Tema: Análise de séries temporais e métodos não paramétricos na compreensão da dinâmica dos parâmetros oceanográficos de águas costeiras da costa portuguesa

Tipo de bolsa: nacional ou mista

Nome do(s) orientador(es) / afiliação:

Maria do Rosário Ramos (CEAUL e Dep. Ciências e Tecnologia da Universidade Aberta), Clara Cordeiro (CEAUL e Dep. Matemática, Faculdade de Ciências e Tecnologia, Universidade do Algarve), Sónia Cristina (CIMA- Centro de Investigação Marinha e Ambiental, Universidade do Algarve)

Breve resumo do plano de trabalho e objetivos a atingir (~300 palavras)

A análise de tendência em séries temporais é um tema de importância considerável, com aplicação a uma vasta gama de áreas de estudo. Em particular, os dados obtidos por deteção remota por satélite (comummente em inglês – remote sensing) fornecem séries temporais em diferentes resoluções, cobrindo o globo em superfícies terrestres e marítimas. Esta funcionalidade, em linha com o crescente volume de dados, permite o estudo de tendências e alterações ao longo do tempo e à escala regional.

A presente proposta de trabalho pretende investigar métodos de análise de tendência em séries temporais tendo por base a flexibilidade de métodos não paramétricos como o teste de Mann-Kendall, nas suas variantes multivariadas, acomodando efeitos sazonais e/ou regionais. Serão utilizados métodos de reamostragem, na continuidade de trabalhos de Ramos & Cordeiro (2014), em situações de autocorrelação, entre outras características presentes nos dados de satélite que podem comprometer o desempenho dos métodos. Prevê-se um estudo de simulação computacional para análise de vários cenários, em linha com a abordagem de Zhang et al (2016).

Na componente aplicada, pretende-se caracterizar o padrão sazonal e a tendência dos dados derivados de satélite de zonas costeiras e, eventualmente, relacionar estes padrões com outros parâmetros oceanográficos ao longo das estações do ano em várias estações de interesse na costa portuguesa. Assim, espera-se que os métodos desenvolvidos permitam compreender a dinâmica de alguns parâmetros e contribuir para a monitorização da qualidade da água para os setores económicos de Crescimento Azul (ex: aquaculturas e turismo costeiro).

Requisitos (opcional):

licenciatura/mestrado em Estatística, Matemática, ou em áreas afins que possibilitem a integração no tema; bons conhecimentos de software como o R, Python, ou outros no mesmo âmbito.

Contacto: MariaR.Ramos@uab.pt

Bibliografia (máximo 3)

Cristina, S., Cordeiro, C., Lavender, S., Goela, P.G., Icely, J., Moore, G., Newton, A. 2016. MERIS Phytoplankton Time Series Products from the SW Iberian Peninsula (Sagres) Using Seasonal-Trend Decomposition Based on Loess. Remote Sensing, 8(6), 449; doi:10.3390/rs8060449. URL:http://www.mdpi.com/2072-4292/8/6/449

Ramos, M.R., Cordeiro C. (2014). Trend Tests: a Tendency to resampling. Proceedings of ITISE 2014-International Work Conference on Time Series, june 25-27, 322-328, Granada, Spain, ISBN 978-84-15814-97-9.

Zhang Y., Cabilio, P., Nadeem, K. (2016). Improved Seasonal Mann–Kendall Tests for Trend Analysis in Water Resources Time Series.  Advances in Time Series Methods and Applications. 78. Chapter. pp 215-229. Springer New York doi: 10.1007/978-1-4939-6568-7_10.

Tipo de Bolsa: Nacional ou Mista

Nome dos Orientadores: Eunice Carrasquinha (FCUL, CEAUL), e Soraia Pereira (FCUL,CEAUL)

Breve resumo do plano de trabalho e objetivos a atingir:
High throughput experiments provide large amounts of data, holding the potential to improve our knowledge about biological processes, and eventually provide more insights regarding the treatment of many diseases, particularly cancer. A tumor is not simply a group of cancer cells, but rather a heterogeneous collection of infiltrating and resident
host cells, secreted factors and extracellular matrix. Tumor cells stimulate significant molecular, cellular and physical changes within their host tissues to support tumor growth and progression. The tumor microenvironment has been recognized that has an influence on tumor initiation and progression and on treatment response [1]. Therefore,
examination of individual cells in detail, without losing the information about where they are in relation to each other, could be a breakthrough in cancer research. The use of spatial analysis allows us to examine the position and activation of cells across the tumor microenvironment, however, the throughput of these procedures is limited to the analysis
of only a few genes at a time. The goal of this work is to find a molecular profiling solution to probe both the structure and function of tumours at the level of transcriptomic, proteomics and metabolomics, combining high-throughput imaging and sequencing technologies, using spatial analysis and machine learning algorithms.

Requisitos: Experience in computational statistics using R software. Degree in Mathematics, Statistics or Computer Science. 

Doutoramento: Estatística e Investigação Operacional – Especialidade de Probabilidade de Estatística, Faculdade de Ciências da Universidade de Lisboa.

Contacto: eitrigueirao@fc.ul.pt

Bibliografia:
[1] Anderson NM, Simon MC. The tumor microenvironment. Curr Biol. 2020 Aug 17;
30(16). doi: 10.1016/j.cub.2020.06.081.
[2] Xu H, Cong F, Hwang TH. Machine Learning and Artificial Intelligence-driven Spatial
Analysis of the Tumor Immune Microenvironment in Pathology Slides. Eur Urol Focus.
2021 Jul; 7(4). doi: 10.1016/j.euf.2021.07.006.
[3] Laurinavicius A, Rasmusson A, Plancoulaine B, Shribak M, Levenson R. MachineLearning–Based Evaluation of Intratumoral Heterogeneity and Tumor-Stroma Interface
for Clinical Guidance. The American Journal of Pathology. 2021; 191(10);
doi: 10.1016/j.ajpath.2021.04.008.

Temas de Doutoramento atribuídos

Tipo de Bolsa: Nacional ou Mista

Nome dos Orientadores: Giovani Silva (CEAUL & Departamento de Matemática do Instituto Superior Técnico), Nuno Sepúlveda (CEAUL & Charité Universitatsmedizin Berlin) e Carlos Daniel Paulino (CEAUL & Faculdade de Ciências da Universidade de Lisboa).

Breve resumo do plano de trabalho e objetivos a atingir: O estudo da mortalidade de algumas doenças tem sido realizado recentemente a partir do mapeamento destas por pequenas áreas. É o caso de doenças com maior taxa de mortalidade mundial como as doenças cardiovasculares ou neoplasias, e de doenças autoimunes como artrite reumatoide, lúpus eritematoso sistémico e esclerose múltipla. Em Portugal uma boa fonte de informação sobre a evolução dessas doenças é a base de dados de morbilidade hospitalar (BDMH), disponível através de protocolo entre a Administração Central do Sistema de Saúde (ACSS) e a Faculdade de Ciências da Universidade de Lisboa (FCUL). Este trabalho visa estudar e aplicar modelos espaço-temporais para explicar a variação geográfica associada ao risco de morte pela doença e a sua evolução ao longo dos anos. Nesse sentido, pretende-se em particular considerar modelos Poisson hierárquicos com efeitos aleatórios espacialmente correlacionados e efeitos temporais autorregressivos, sob uma perspetiva bayesiana. Com base nesses modelos, pode-se analisar conjuntamente a mortalidade e a duração do internamento dos pacientes hospitalizados, cuja dependência é neles introduzida através de efeitos aleatórios espaciais, sendo a análise processada por métodos de Monte Carlo baseados em cadeias de Markov (MCMC). Os objetivos concretos a atingir são: i) identificar efeitos temporais não lineares e de desfasamento; ii) produzir mapas com os riscos relativos das doenças em cada área de estudo; iii) predizer o número de mortes de doenças e a duração dos internamentos hospitalares produzindo um sistema de deteção de surto a nível nacional para acelerar uma redução de doenças em Portugal.

Requisitos:  Bons conhecimentos em Modelos de Regressão, Análise de Sobrevivência ou Estatística Bayesiana. Habilidade em trabalhar com software estatístico (e.g., R).

Doutoramento: Programas de Doutoramento da Universidade de Lisboa, na área da Probabilidade e da Estatística.

Bibliografia: 

Paulino, C.D., Amaral Turkman, M.A., Murteira, B. e Silva, G.L. (2018). Estatística Bayesiana – 2ª edição. Fundação Calouste Gulbenkian, Lisboa (601p). 

Silva, G.L., Dean, C.B, Niyonsenga, T., Vanasse, A. (2008), Hierarchical Bayesian spatiotemporal analysis of revascularization odds using smoothing splines. Statistics in Medicine, 27, 2381-2401. 

Stresman, G., Sepúlveda, N.}, Fornace, K., Grignard, L., Mwesigwa, J., Achan, J., Miller, J., Bridges, D.J., Eisele, TP., Mosha, J., Lorenzo, P.J., Macalinao, M.L., Espino, F.E., Tadesse, F., Stevenson, J.C., Quispe, A.M., Siqueira, A., Lacerda, M., Yeung, S., Sovannaroth, S., Pothin, E., Gallay, J., Hamre, K.E., Young, A., Lemoine, J.F., Chang, M.A., Phommasone, K., Mayxay, M., Landier, J., Parker, D.M., Von Seidlein, L., Nosten, F., Delmas, G., Dondorp, A., Cameron, E., Battle, K., Bousema, T., Gething, P., D’Alessandro, U., Drakeley, C. (2020). Association between the proportion of Plasmodium falciparum and Plasmodium vivax infections detected by passive surveillance and the magnitude of the asymptomatic reservoir in the community: a pooled analysis of paired health facility and community data. Lancet Infectious Diseases, 20(8), 953-963.

Tipo de Bolsa: Nacional ou Mista

Nome dos Orientadores: Soraia Pereira (CEAUL) e Tiago Marques (CEAUL/DBA/University of St Andrews)

Breve resumo do plano de trabalho e objetivos a atingir: The increasing accessibility to data with complex spatial structures brings the need to the development of methodologies that allow to deal with such features. In particular, when the data are point-referenced and we are interested in their spatial distribution, spatial point processes are the natural approach. The traditional models for such processes are divided in three main areas, depending on the spatial pattern: Poisson models; Cox and cluster models; and Gibbs models (Baddeley et al., 2015; Moller and Waagepetersen, 2003). Whereas Poisson models are adequate to model spatial random patterns where the points are independent from each other, Cox and cluster models are more adequate for aggregation patterns, and Gibbs models for regularity patterns. However, this classification in three types of patterns might be a rough approximation under some real life scenarios. We can see many patterns in the nature that are aggregated at some scale and regular at another. We can also see different levels of aggregation in the same pattern. Here we propose to develop models that allow to deal with different types of interactions at different scales.

Requisitos: Bons conhecimentos de modelos de regressão, análises espaciais e espacio-temporais. Domínio de programação, sendo fator preferencial dominar o ambiente/software R.

Doutoramento: Estatística e Investigação Operacional – Especialidade de Probabilidade de Estatística, Faculdade de Ciências da Universidade de Lisboa.

Bibliografia:

  • Andersen, I. T. and Hahn, U. (2016), “Matérn thinned Cox processes,” Spatial Statistics, 15, 1–21.
  • Baddeley, A., Rubak, E., and Turner, R. (2015), Spatial Point Patterns: Methodology and Applications with R, London: Chapman and Hall/CRC Press.
  • Baddeley, A. and Turner, R. (2005), “spatstat: An R Package for Analyzing Spatial Point Patterns,” Journal of Statistical Software, 12, 1–42.
  • Baddeley, A., Turner, R., Mateu, J., and Bevan, A. (2013), “Hybrids of Gibbs Point Process Models and Their Implementation,” Journal of Statistical Software, 55, 1–43.
  • Brix, A. and Diggle, P. J. (2001), “Spatiotemporal prediction for log-Gaussian Cox processes,” Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63, 823–841.
  • Moller, J. and Waagepetersen, R. (2003), Statistical inference and simulation for spatial point processes, Chapman & Hall. Park, T. and Casella, G. (2008), “The Bayesian Lasso,” Journal of the American Statistical Association, 103, 681–686.
  • Raeisi, M., Bonneu, F., and Gabriel, E. (2021), “A spatio-temporal multi-scale model for Geyer saturation point process: Application to forest fire occurrences,” Spatial Statistics, 41, 100492.
  • Simpson, D., Illian, J. B., Lindgren, F., Sørbye, S. H., and Rue, H. (2016), “Going off grid: computationally efficient inference for log-Gaussian Cox processes,” Biometrika, 103, 49–70.
  • Taylor, B. M. and Diggle, P. J. (2014), “INLA or MCMC? A tutorial and comparative evaluation for spatial prediction in log-Gaussian Cox processes,”
    Journal of Statistical Computation and Simulation, 84, 2266–2284.
  • Tibshirani, R. (1996), “Regression shrinkage and selection via the Lasso,” Journal of the Royal Statistical Society: Series B, 58, 267–288.