Métodos de biclustering no problema da selecção de genes

• Autor(a) principal: Marques, André Alexandre Sebastião
• Data de Publicação: 2009
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10773/9454
• topic: Matemática aplicada; Aprendizagem automática; Tecidos (Biologia) - Patologia; Cancro

Com o desenvolvimento da tecnologia de microarrays nos últimos anos, tornou-se possível a monitorização simultânea do nível de expressão de milhares de genes, permitindo o avanço na investigação e identificação de genes associados a tecidos cancerígenos. Através do uso desta tecnologia, tornou-se um desafio extrair conhecimento relevante, especialmente do ponto de vista biológico, do enorme volume de dados acumulados a partir destas experiências. No entanto, devido à grande dimensionalidade, a análise deste tipo de dados torna-se inviável utilizando meios computacionais convencionais, pelo que técnicas de aprendizagem automática se apresentam como soluções bastante promissoras. Como provado em diferentes estudos, um pequeno subconjunto de genes altamente discriminativos é suficiente para construir classificadores bastante precisos. Consequentemente, o problema de selecção de genes é um dos problemas mais desafiantes no problema de classificação de cancro utilizando dados de microarrays. Com base em matrizes de níveis de expressão genética de genes sob diferentes condições experimentais, têm sido propostas metodologias de identificação de grupos homogéneos nestas usando métodos de biclustering. A aplicação de técnicas de biclustering pode ser uma mais valia para a determinação de genes que possam ser relevantes no diagnóstico de certos tipos de cancro. No presente trabalho é apresentada uma abordagem ao problema de selecção de atributos baseada em métodos de biclustering combinados com uma heurística, que a partir dos biclusters resultantes, permite seleccionar um conjunto de atributos que melhor discriminam as classes. Estes métodos são posteriormente combinados com outras técnicas de selecção de atributos com o intuito de seleccionar subconjuntos de atributos (genes) altamente discriminativos presentes no conjunto de dados iniciais. Para a sua avaliação são apresentados os resultados de um estudo experimental sobre determinadas bases de dados pré-processadas a partir de uma base de dados brutos provenientes de um estudo sobre o cancro Lymphoma. Os resultados são analisados em termos da capacidade preditiva de um classificador de Máquinas de Suporte Vectorial, induzido por um subconjunto de genes seleccionado, através de validação cruzada leave-one-out.