Aplicação de Algoritmos de Aprendizagem de Máquina para Identificação de Vírus em Dados Provenientes do dark matter (Matéria Escura) de Sequenciamento de Última Geração

• Processo: 23/12155-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de julho de 2024
• Data de Término da vigência: 31 de março de 2025
• Área de conhecimento: Ciências Biológicas - Microbiologia - Microbiologia Aplicada
• Pesquisador responsável: Svetoslav Nanev Slavov
• Beneficiário: Gabriel Montenegro de Campos
• Instituição Sede: Hemocentro de Ribeirão Preto. Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto da USP (HCMRP). Secretaria da Saúde (São Paulo - Estado). Ribeirão Preto , SP, Brasil
• Vinculado ao auxílio: 17/23205-8 - Avaliação do impacto de vírus emergentes e re-emergentes em hemoterapia e transplante de células-tronco por meio de técnicas moleculares avançadas, AP.JP
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Bioinfomática | Matéria Escura Viral | Metagenômica viral | Metagenômica Viral

Resumo

Os métodos metagenômicos são uma das ferramentas mais poderosas para identificação de vírus emergentes ou pouco conhecidos. Com o advento das tecnologias de sequenciamento de nova geração (NGS) e de classificadores taxonômicos, tornou-se possível a identificação de seu conteúdo, associando as sequências encontradas aos seus devidos táxons. Entretanto, ainda há sequências que não são associadas aos seus devidos táxons, dos quais são conhecidas como "dark matter". O dark matter é um dos principais obstáculos para a compreensão completa do metagenoma. O conteúdo presente no dark matter tem potencial para descobrir novas relações intra-filo e inter-filo, bem como aumentar o conhecimento da biologia e, além disso, descobrir novos patógenos que podem vir a infectar humanos. Portanto, o objetivo deste trabalho é identificar o conteúdo viral presente na parte não classificada das sequências. Para essa finalidade, serão utilizados algoritmos de aprendizado de máquina aplicados em amostras advindas de plasma de pacientes com doenças oncológicas, imunossupressão e diátese hemorrágica sem causa conhecida. Utilizando essa abordagem, esse projeto visa melhorar a análise bioinformática e a compreensão da abundância viral metagenômica em diversas condições clínicas.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DE CAMPOS, GABRIEL MONTENEGRO; COSTA, THALITA CRISTINA DE MELLO; SILVEIRA, ROBERTA MARANINCHI; VALENCA, IAN NUNES; BEZERRA, RAFAEL DOS SANTOS; DARRIGO JUNIOR, LUIZ GUILHERME; VIEIRA, ANA CAROLINA DE JESUS; MESQUITA, CAMILA CAMPOS; LAURINDO, PATRICIA DA SILVA; CUNHA, RENATO GUERINO; et al. Viral Metagenomics in Patients Who Underwent Allogeneic Hematopoietic Stem Cell Transplantation (HSCT): A Brazilian Experience. MICROORGANISMS, v. 12, n. 12, p. 13-pg., 2024-12-01. (19/08528-0, 19/07861-8, 23/12155-0, 21/11944-6, 17/23205-8)

DE CAMPOS, GABRIEL MONTENEGRO; SANTOS, HAZERRAL DE OLIVEIRA; LIMA, ALEX RANIERI JERONIMO; LEITE, ANDERSON BRANDAO; RIBEIRO, GABRIELA; BERNARDINO, JARDELINA DE SOUZA TODAO; DO NASCIMENTO, JEAN PHELLIPE MARQUES; SOUZA, JULIANA VANESSA CAVALCANTE; DE LIMA, LOYZE PAOLA OLIVEIRA; LIMA, MARLON BRENO ZAMPIERI; et al. Unveiling viral pathogens in acute respiratory disease: Insights from viral metagenomics in patients from the State of Alagoas, Brazil. PLoS Neglected Tropical Diseases, v. 18, n. 9, p. 11-pg., 2024-09-01. (21/11944-6, 17/23205-8, 22/00910-6, 23/12155-0, 22/14958-0)