**Part 3**

**Reverse Engineering in Medical and Life Sciences** 

214 Reverse Engineering – Recent Advances and Applications

Kochan, A. Rapid prototyping gains speed, volume and precision. *Assembly Automation*, v.

Mury, L. G. M. *Uma metodologia para adaptação e melhoria de produtos a partir da engenharia* 

Ogliari, A. *Sistematização da concepção de produtos auxiliada por computador com aplicações no* 

Otto, K. N.; Wood, K. L. Product evolution: a reverse engineering and redesign

Pahl, G.; Beitz, W.; Feldhusen, J.; Grote, K. H. *Projeto na Engenharia: fundamentos do* 

Rozenfeld, H.; Forcellini, F. A.; Amaral, D. C.; Toledo, J. C.; Silva, S. L.; Alliprandini, D. H.;

Rosenthal, S. R. *Effective Product Design and Development – How to cut lead time and increase customer satisfaction*. New York, N.Y. Irwin Professional Publishing, 1992. Salgado, E. G.; Mello, C. H. P.; Silva, C. E. S. Da; Oliveira, E. S.; Almeida, D. A. Análise da

Silva, C. E. S. *Método para avaliação do desempenho do processo de desenvolvimento de produtos.*

Souza, J. F. *Aplicação de projeto para manufatura e montagem em uma abordagem de engenharia* 

Stephenson, J.; Wallace, K. Design for reability in mechanical systems. *International Conference on Engineering Design, ICED 95*. Praha, August 22-24, 1995. Thiollent, M. *Metodologia da pesquisa-ação*. 15ª edição, São Paulo: Editora Cortez, 2007.

Toledo, J. C.; Silva, S. L.; Alliprandini, D. R.; Martins, M. F.; Ferrari, F. M. Práticas de gestão

Zhu, J.; Liang, X.; Xu, Q. The cause of secondary innovation dilemma in chinese enterprises

Vincent, G. *Managing new product development.* New York: Van Nostrand Reinold, 1989. Wheelwright, S. C.; Clark, K. B. *Revolutionizing product development – Quantum leaps in speed,* 

*efficiency, and quality.* New York: Free Press, 1992.

methodology. *Research in Engineering Design*, v. 10, p. 226-243, 1998.

Universidade Federal de Santa Catarina, Florianópolis, 1999.

*reversa.* Dissertação de mestrado. Programa de Pós-Graduação em Engenharia de Produção. Universidade Federal do Rio Grande do Sul - Escola De Engenharia,

*domínio de componentes de plástico injetado.* Tese de Doutorado, PPGEM da

*desenvolvimento eficaz de produtos, métodos e aplicações*. 6ª edição, São Paulo: Editora

Scalice, R. K. *Gestão de desenvolvimento de produtos: uma referência para a melhoria do* 

aplicação do mapeamento do fluxo de valor na identificação de desperdícios do processo de desenvolvimento de produtos. *Gestão e Produção*, v. 16, n. 3, p. 344-356,

Tese (Doutorado em Engenharia de Produção). Universidade Federal de Santa

*reversa: estudo de caso.* Dissertação de Mestrado. Programa de Pós-Graduação em Engenharia de Produção. Universidade Federal de Itajubá, Itajubá/MG, 135p, 2007.

no desenvolvimento de produtos em empresas de autopeças. *Produção*, v. 18, n. 2,

and solutions. *Proceedings of the 2005 IEEE International Engineering Conference*, v. 1,

20, n. 4, p. 295-299, 2000.

Porto Alegre, 2000, 89p.

Edgard Blücher, 2005.

Catarina, Florianópolis, 2001.

p. 405-422, 2008.

p. 297-301, 2005.

2009.

*processo*. São Paulo: Editora Saraiva, 2006.

**10** 

*USA* 

**Reverse Engineering Gene Regulatory Networks** 

**by Integrating Multi-Source Biological Data** 

*1Division of Biomedical Statistics and Informatics, Department of Health Sciences* 

*2Department of Oncology, Lombardi Comprehensive Cancer Center at Georgetown* 

Gene regulatory network (GRN) is a model of a network that describes the relationships among genes in a given condition. The model can be used to enhance the understanding of gene interactions and provide better ways of elucidating environmental and drug-induced

During last two decades, enormous amount of biological data generated by highthroughput analytical methods in biology produces vast patterns of gene activity, highlighting the need for systematic tools to identify the architecture and dynamics of the underlying GRN (He et al. 2009). Here, the system identification problem falls naturally into the category of **reverse engineering**; a complex genetic network underlies a massive set of expression data, and the task is to infer the connectivity of the genetic circuit (Tegner et al. 2003). However, reverse engineering of a global GRN remains challenging because of

1. Tens of thousands of genes act at different temporal and spatial combinations in living

2. Each gene interacts virtually with multiple partners either directly or indirectly, thus

3. Current high-throughput technologies generate data that involve a substantial amount

4. The sample size is extremely low compared with the number of genes (Clarke et al.

These inherited properties create significant problems in analysis and interpretation of these data. Standard statistical approaches are not powerful enough to dissect data with thousands of variables (i.e., semi-global or global gene expression data) and limited sample sizes (i.e., several to hundred samples in one experiment). These properties are typical in microarray and proteomic datasets (Bubitzky et al. 2007) as well as other high dimensional data where a comparison is made for biological samples that tend to be limited in number,

**1. Introduction** 

cells;

2008).

of noise; and

effects (Ressom et al. 2006).

several limitations including the following:

possible relationships are dynamic and non-linear;

thus suffering from curse of dimensionality (Wit and McClure 2006).

Yuji Zhang1, Habtom W. Ressom2 and Jean-Pierre A. Kocher1

*Research, Mayo Clinic College of Medicine, Rochester, MN* 

*University Medical Center, Washington, DC* 
