Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizada

Detalhes bibliográficos
Autor(a) principal: Vilela, Joana
Data de Publicação: 2021
Outros Autores: Asif, Muhammad, Marques, Ana Rita, Santos, João Xavier, Rasga, Célia, Vicente, Astrid, Martiniano, Hugo
Tipo de documento: Artigo
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.18/7769
Resumo: A Medicina Personalizada é um modelo de prática médica que utiliza o perfil fenotípico e genotípico do indivíduo para melhorar a precisão do diagnóstico, a eficácia terapêutica ou a prevenção de doenças. Neste sentido, a enorme quantidade de dados gerados ao longo dos últimos anos na área biomédica tem contribuído para uma melhor compreensão dos determinantes genéticos de várias patologias e, consequentemente, para a implementação de práticas de Medicina Personalizada em várias áreas, por exemplo na Oncologia e no âmbito das doenças raras. No entanto, ainda subsistem desafios significativos, nomeadamente no que diz respeito à integração de dados biomédicos oriundos de fontes heterogéneas e na obtenção de informação clinicamente relevante. Este trabalho descreve uma abordagem que usa métodos de aprendizagem automática aplicados a um Grafo de Conhecimento (GC) biomédico como um meio para integrar informação armazenada em bases de dados diversas. Este GC contém relações entre genes, doenças e outras entidades biológicas, extraídas de três bases de dados: Ensembl, DisGeNET e Gene Ontology. Neste trabalho exploramos o potencial dos métodos de aprendizagem automática em grafos para produzir informação clinicamente relevante e descrevemos a aplicação desta metodologia à previsão de associações gene-doença. Mostramos ainda que as principais associações gene-doença previstas por esta abordagem podem ser confirmadas em bases de dados externas ou já foram previamente identificadas na literatura.
id RCAP_9569a91cbaf5e15b565b5ed7e1bcfab8
oai_identifier_str oai:repositorio.insa.pt:10400.18/7769
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizadaApplication of machine learning methods for knowledge graphs to personalized medicineMedicina PersonalizadaPerfil Fenotípico e GenotípicoDiagnóstico GenéticoAprendizagem AutomáticaGrafos de ConhecimentoA Medicina Personalizada é um modelo de prática médica que utiliza o perfil fenotípico e genotípico do indivíduo para melhorar a precisão do diagnóstico, a eficácia terapêutica ou a prevenção de doenças. Neste sentido, a enorme quantidade de dados gerados ao longo dos últimos anos na área biomédica tem contribuído para uma melhor compreensão dos determinantes genéticos de várias patologias e, consequentemente, para a implementação de práticas de Medicina Personalizada em várias áreas, por exemplo na Oncologia e no âmbito das doenças raras. No entanto, ainda subsistem desafios significativos, nomeadamente no que diz respeito à integração de dados biomédicos oriundos de fontes heterogéneas e na obtenção de informação clinicamente relevante. Este trabalho descreve uma abordagem que usa métodos de aprendizagem automática aplicados a um Grafo de Conhecimento (GC) biomédico como um meio para integrar informação armazenada em bases de dados diversas. Este GC contém relações entre genes, doenças e outras entidades biológicas, extraídas de três bases de dados: Ensembl, DisGeNET e Gene Ontology. Neste trabalho exploramos o potencial dos métodos de aprendizagem automática em grafos para produzir informação clinicamente relevante e descrevemos a aplicação desta metodologia à previsão de associações gene-doença. Mostramos ainda que as principais associações gene-doença previstas por esta abordagem podem ser confirmadas em bases de dados externas ou já foram previamente identificadas na literatura.Personalized Medicine is a model of medical practice that uses an individual's phenotypic and genotypic profile to improve diagnostic accuracy, therapeutic efficacy or disease prevention. The huge amount of data generated over the last few years in the biomedical area has contributed to a better understanding of the genetic determinants of various pathologies and, consequently, to the implementation of Personalized Medicine practices in various areas, for example in Oncology and in the field of rare diseases. However, significant challenges remain, namely with regard to the integration of biomedical data from heterogeneous sources to obtain clinically relevant information. This work describes an approach that uses machine learning methods applied to a biomedical Knowledge Graph (KG) as a means to integrate information stored in different databases. To build the KG, three databases were used: Ensembl, DisGeNET and Gene Ontology. This KG contains relationships between genes, diseases, and other biological entities. In this work, we explore the potential of automatic graph learning methods to produce clinically relevant information and describe the application of this methodology to the prediction of gene-disease associations. We show that the main gene-disease associations predicted by this approach can be confirmed in external databases or have been previously identified in the literature.Instituto Nacional de Saúde Doutor Ricardo Jorge, IPRepositório Científico do Instituto Nacional de SaúdeVilela, JoanaAsif, MuhammadMarques, Ana RitaSantos, João XavierRasga, CéliaVicente, AstridMartiniano, Hugo2021-09-21T16:22:56Z2021-092021-09-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleapplication/pdfhttp://hdl.handle.net/10400.18/7769porBoletim Epidemiológico Observações. 2021 mai-ago;10(30):57-610874-2928info: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:RCAAP2023-07-20T15:42:13Zoai:repositorio.insa.pt:10400.18/7769Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:42:26.202893Repositório 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 Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizada
Application of machine learning methods for knowledge graphs to personalized medicine
title Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizada
spellingShingle Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizada
Vilela, Joana
Medicina Personalizada
Perfil Fenotípico e Genotípico
Diagnóstico Genético
Aprendizagem Automática
Grafos de Conhecimento
title_short Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizada
title_full Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizada
title_fullStr Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizada
title_full_unstemmed Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizada
title_sort Aplicação de métodos de aprendizagem automática em grafos de conhecimento para medicina personalizada
author Vilela, Joana
author_facet Vilela, Joana
Asif, Muhammad
Marques, Ana Rita
Santos, João Xavier
Rasga, Célia
Vicente, Astrid
Martiniano, Hugo
author_role author
author2 Asif, Muhammad
Marques, Ana Rita
Santos, João Xavier
Rasga, Célia
Vicente, Astrid
Martiniano, Hugo
author2_role author
author
author
author
author
author
dc.contributor.none.fl_str_mv Repositório Científico do Instituto Nacional de Saúde
dc.contributor.author.fl_str_mv Vilela, Joana
Asif, Muhammad
Marques, Ana Rita
Santos, João Xavier
Rasga, Célia
Vicente, Astrid
Martiniano, Hugo
dc.subject.por.fl_str_mv Medicina Personalizada
Perfil Fenotípico e Genotípico
Diagnóstico Genético
Aprendizagem Automática
Grafos de Conhecimento
topic Medicina Personalizada
Perfil Fenotípico e Genotípico
Diagnóstico Genético
Aprendizagem Automática
Grafos de Conhecimento
description A Medicina Personalizada é um modelo de prática médica que utiliza o perfil fenotípico e genotípico do indivíduo para melhorar a precisão do diagnóstico, a eficácia terapêutica ou a prevenção de doenças. Neste sentido, a enorme quantidade de dados gerados ao longo dos últimos anos na área biomédica tem contribuído para uma melhor compreensão dos determinantes genéticos de várias patologias e, consequentemente, para a implementação de práticas de Medicina Personalizada em várias áreas, por exemplo na Oncologia e no âmbito das doenças raras. No entanto, ainda subsistem desafios significativos, nomeadamente no que diz respeito à integração de dados biomédicos oriundos de fontes heterogéneas e na obtenção de informação clinicamente relevante. Este trabalho descreve uma abordagem que usa métodos de aprendizagem automática aplicados a um Grafo de Conhecimento (GC) biomédico como um meio para integrar informação armazenada em bases de dados diversas. Este GC contém relações entre genes, doenças e outras entidades biológicas, extraídas de três bases de dados: Ensembl, DisGeNET e Gene Ontology. Neste trabalho exploramos o potencial dos métodos de aprendizagem automática em grafos para produzir informação clinicamente relevante e descrevemos a aplicação desta metodologia à previsão de associações gene-doença. Mostramos ainda que as principais associações gene-doença previstas por esta abordagem podem ser confirmadas em bases de dados externas ou já foram previamente identificadas na literatura.
publishDate 2021
dc.date.none.fl_str_mv 2021-09-21T16:22:56Z
2021-09
2021-09-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10400.18/7769
url http://hdl.handle.net/10400.18/7769
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Boletim Epidemiológico Observações. 2021 mai-ago;10(30):57-61
0874-2928
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.publisher.none.fl_str_mv Instituto Nacional de Saúde Doutor Ricardo Jorge, IP
publisher.none.fl_str_mv Instituto Nacional de Saúde Doutor Ricardo Jorge, IP
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_ 1799132169509011456

Registros relacionados