Comitês de árvores profundos para predição de doenças associadas a lncRNA.

• Processo: 24/05438-9
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2024
• Data de Término da vigência: 31 de outubro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Ricardo Cerri
• Beneficiário: Lívia Umberto Bertoni
• Supervisor: Celine Vens
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Leuven, Kulak Kortrijk (KU Leuven), Bélgica
• Vinculado à bolsa: 22/14762-9 - Aprendizado de máquina multirrótulo para predição de doenças associadas a RNAs longos não-codificantes, BP.IC
• Assunto(s): Aprendizado computacional Classificação multirrótulo Doenças
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Classificacao Multirrotulo | doenças | RNAs longos não codificantes | Aprendizado de máquina

Resumo

RNAs não codificantes longos (lncRNAs) são sequências de RNA com mais de 200 nucleotídeos que não são traduzidas em proteínas funcionais. Os LncRNAs desempenham um papel crucial em diversas atividades vitais; portanto, as disfunções dos lncRNAs estão associadas a uma ampla gama de doenças. Assim, é importante identificar e detectar lncRNAs, essenciais para o diagnóstico e terapia de doenças. Dadas as adversidades que envolvem abordagens biotecnológicas, o aprendizado de máquina surge como uma excelente alternativa para realizar a previsão de doenças com base em dados de lncRNA. Os lncRNAs estão associados a pelo menos uma doença. Muitos modelos computacionais de aprendizado de máquina foram propostos para previsão de associação lncRNA-doença. No entanto, resultados experimentais indicam que vários métodos exibiram desempenho abaixo do ideal. Neste cenário, um novo método de conjunto de árvore profunda (DTE) se destaca com resultados de predição superiores, que integra um componente de aprendizagem representacional. Este projeto propõe a aplicação deste modelo DTE para a tarefa de predição de associação lncRNA-doença. Mais precisamente, investigaremos o desempenho do método para esse fim, bem como avaliaremos seu desempenho de previsão em relação aos métodos mais modernos.