Determinação de genes potencialmente responsivos à radiação ionizante através de aprendizado de máquina

• Autor(a) principal: Pagotto, Ivan [UNESP]
• Data de Publicação: 2013
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/122991; http://www.athena.biblioteca.unesp.br/exlibris/bd/capelo/2015-03-30/000818786.pdf
• topic: Radioterapia; Câncer - Tratamento; Radiação ionizante; Marcadores biologicos de tumor; Cancer

A predição da resposta do tumor a radioterapia e a questão mais importante durante o tratamento de pacientes com câncer. Como consequência, a predição de genes que sejam responsivos a radiação ionizante e uma possibilidade para a melhoria dos resultados clínicos e a otimização das doses as quais os pacientes são submetidos ao longo do tratamento. Juntamente com esses dados, é possível obter respostas sobre os mecanismos de resistência a radiação dos tumores e até mesmo a identificação de biomarcadores responsáveis pela resistência a radiação ionizante que podem ser potenciais para o desenvolvimento de novas drogas visando a proteção de tecidos saudáveis. A determinação experimental dos genes que sejam responsivos à radiação ionizante é algo caro e que demanda muito tempo e trabalho; porém, se utilizarmos uma forma computacional de direcionar os estudos experimentais diretamente aos genes que têm mais potencial para serem responsivos à radiação ionizante, as pesquisas podem ser mais direcionadas e específicas. Para determinar essa característica, construímos, analisamos e determinamos os dados da topologia da rede integrada de interações moleculares entre genes humanos, contendo interações físicas entre proteínas, interações metabólicas e interações de regulação transcricional. Os dados topológicos foram utilizados como atributos de treinamento para o aprendizado de máquina, no qual os genes conhecidamente responsivos à radiação ionizante foram apresentados a um algoritmo de árvore de decisão que gerou modelos de predição com índices de sensibilidade e precisão de 5% e 72%, respectivamente. Os índices de acerto obtidos para os conjuntos de teste foram satisfatórios, retornando 91% dos genes conhecidos como responsiveis à radiação ionizante utilizados para o treinamento da árvore de decisão. Nós aplicamos o modelo de predição na rede integrada e atribuímos probabilidades ...