Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA)
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10400.26/43441 |
Resumo: | O cancro é uma doença caraterizada por mutações no DNA que ocorre a partir de uma multiplicação descontrolada das células, alterando as células normais em células cancerígenas. Estas linhas celulares cancerígenas são manipuladas artificialmente, in vitro, e proliferam indefinidamente mantendo as caraterísticas do tecido de origem, o que as torna uma ferramenta importante para testar a sensibilidade a medicamentos e assim adotar estratégias eficazes de tratamento, potencializando a adoção de uma medicina personalizada. O presente projeto pretende contribuir para a medicina personalizada, e tem como objetivo principal o desenvolvimento de componentes de configuração e treino de algoritmos de Machine Learning num sistema de recomendação de medicamentos anticancerígenos, com base na similaridade das imagens DNA microarray. Para tal, usámos a base de dados Genomics Drug Sensitivity Cancer que é o maior recurso público disponível sobre sensibilidade a medicamentos em células cancerígenas e a base de dados da ArrayExpress que contém imagens DNA em formato microarray das linhas celulares cancerígenas. Validámos a premissa de que linhas celulares cancerígenas com semelhanças no DNA partilham de tratamentos semelhantes, e a partir desta validação prosseguimos então para a construção de dois algoritmos de recomendação, um personalizado e outro não personalizado, capazes de sugerir um conjunto de medicamentos mais eficazes para um determinado paciente, com base na expressão genómica do seu DNA. Os resultados obtidos, apesar de preliminares revelam-se promissores, constituindo uma ferramenta útil para o apoio à decisão clínica e ainda para adoção de novas estratégias para otimizar a terapia medicamentosa com base na informação genómica de cada paciente. Por fim, foi ainda desenvolvida uma API, com o objetivo de disponibilizar os algoritmos construídos no âmbito deste projeto para que os mesmos possam ser utilizados por diferentes aplicações e serem dessa forma disponibilizados ao utilizador final. |
id |
RCAP_2f5df74b3307a46a80fe4cb06b16d09e |
---|---|
oai_identifier_str |
oai:comum.rcaap.pt:10400.26/43441 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA)DNAGenómicaMachine learningSistema de recomendaçãoSimilaridadeLinha celularO cancro é uma doença caraterizada por mutações no DNA que ocorre a partir de uma multiplicação descontrolada das células, alterando as células normais em células cancerígenas. Estas linhas celulares cancerígenas são manipuladas artificialmente, in vitro, e proliferam indefinidamente mantendo as caraterísticas do tecido de origem, o que as torna uma ferramenta importante para testar a sensibilidade a medicamentos e assim adotar estratégias eficazes de tratamento, potencializando a adoção de uma medicina personalizada. O presente projeto pretende contribuir para a medicina personalizada, e tem como objetivo principal o desenvolvimento de componentes de configuração e treino de algoritmos de Machine Learning num sistema de recomendação de medicamentos anticancerígenos, com base na similaridade das imagens DNA microarray. Para tal, usámos a base de dados Genomics Drug Sensitivity Cancer que é o maior recurso público disponível sobre sensibilidade a medicamentos em células cancerígenas e a base de dados da ArrayExpress que contém imagens DNA em formato microarray das linhas celulares cancerígenas. Validámos a premissa de que linhas celulares cancerígenas com semelhanças no DNA partilham de tratamentos semelhantes, e a partir desta validação prosseguimos então para a construção de dois algoritmos de recomendação, um personalizado e outro não personalizado, capazes de sugerir um conjunto de medicamentos mais eficazes para um determinado paciente, com base na expressão genómica do seu DNA. Os resultados obtidos, apesar de preliminares revelam-se promissores, constituindo uma ferramenta útil para o apoio à decisão clínica e ainda para adoção de novas estratégias para otimizar a terapia medicamentosa com base na informação genómica de cada paciente. Por fim, foi ainda desenvolvida uma API, com o objetivo de disponibilizar os algoritmos construídos no âmbito deste projeto para que os mesmos possam ser utilizados por diferentes aplicações e serem dessa forma disponibilizados ao utilizador final.Belfo, Fernando Paulo dos Santos RodriguesRibeiro, António Rui TrigoRepositório ComumPimenta, Diogo André Andrade2023-01-30T11:55:59Z20222022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.26/43441TID:203199731porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-02-02T02:16:57Zoai:comum.rcaap.pt:10400.26/43441Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T16:46:00.201390Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA) |
title |
Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA) |
spellingShingle |
Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA) Pimenta, Diogo André Andrade DNA Genómica Machine learning Sistema de recomendação Similaridade Linha celular |
title_short |
Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA) |
title_full |
Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA) |
title_fullStr |
Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA) |
title_full_unstemmed |
Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA) |
title_sort |
Desenvolvimento de componentes de execução e validação humana de modelos de Machine Learning no sistema de recomendação de medicamentos anticancerígenos (SiReMA) |
author |
Pimenta, Diogo André Andrade |
author_facet |
Pimenta, Diogo André Andrade |
author_role |
author |
dc.contributor.none.fl_str_mv |
Belfo, Fernando Paulo dos Santos Rodrigues Ribeiro, António Rui Trigo Repositório Comum |
dc.contributor.author.fl_str_mv |
Pimenta, Diogo André Andrade |
dc.subject.por.fl_str_mv |
DNA Genómica Machine learning Sistema de recomendação Similaridade Linha celular |
topic |
DNA Genómica Machine learning Sistema de recomendação Similaridade Linha celular |
description |
O cancro é uma doença caraterizada por mutações no DNA que ocorre a partir de uma multiplicação descontrolada das células, alterando as células normais em células cancerígenas. Estas linhas celulares cancerígenas são manipuladas artificialmente, in vitro, e proliferam indefinidamente mantendo as caraterísticas do tecido de origem, o que as torna uma ferramenta importante para testar a sensibilidade a medicamentos e assim adotar estratégias eficazes de tratamento, potencializando a adoção de uma medicina personalizada. O presente projeto pretende contribuir para a medicina personalizada, e tem como objetivo principal o desenvolvimento de componentes de configuração e treino de algoritmos de Machine Learning num sistema de recomendação de medicamentos anticancerígenos, com base na similaridade das imagens DNA microarray. Para tal, usámos a base de dados Genomics Drug Sensitivity Cancer que é o maior recurso público disponível sobre sensibilidade a medicamentos em células cancerígenas e a base de dados da ArrayExpress que contém imagens DNA em formato microarray das linhas celulares cancerígenas. Validámos a premissa de que linhas celulares cancerígenas com semelhanças no DNA partilham de tratamentos semelhantes, e a partir desta validação prosseguimos então para a construção de dois algoritmos de recomendação, um personalizado e outro não personalizado, capazes de sugerir um conjunto de medicamentos mais eficazes para um determinado paciente, com base na expressão genómica do seu DNA. Os resultados obtidos, apesar de preliminares revelam-se promissores, constituindo uma ferramenta útil para o apoio à decisão clínica e ainda para adoção de novas estratégias para otimizar a terapia medicamentosa com base na informação genómica de cada paciente. Por fim, foi ainda desenvolvida uma API, com o objetivo de disponibilizar os algoritmos construídos no âmbito deste projeto para que os mesmos possam ser utilizados por diferentes aplicações e serem dessa forma disponibilizados ao utilizador final. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022 2022-01-01T00:00:00Z 2023-01-30T11:55:59Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.26/43441 TID:203199731 |
url |
http://hdl.handle.net/10400.26/43441 |
identifier_str_mv |
TID:203199731 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799130931411288064 |