BioPrediction: democratizando o aprendizado de máquina no estudo de interações moleculares

• Processo: 24/00830-8
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de setembro de 2024
• Data de Término da vigência: 28 de fevereiro de 2029
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Bruno Rafael Florentino
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 25/01309-2 - Aprendizado de máquina automatizado para prever a interação entre proteínas humanas e patogênicas: Explorando Informações Topológicas, BE.EP.DD
• Assunto(s): Biologia computacional Interação proteína-proteína Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina Automatizado | interações moleculares | Interações Proteína-Proteína | modelos caixa branca | bioinformática

Resumo

Com o avanço das técnicas modernas, como o sequenciamento de nova geração, a quantidade crescente de dados biológicos disponíveis tem gerado desafios na extração de conhecimentos relevantes ao nível molecular. Um dos desafios mais importantes é a predição de interações entre sequências biológicas, como DNA, RNA e proteínas, que desempenham um papel crucial em processos complexos, como regulação gênica e resposta imune, acelerando o estudo sobre doenças e terapias. O uso de algoritmos de Aprendizado de Máquina (AM) nesses problemas tem proporcionado boas perspectivas, no entanto, ainda enfrenta o desafio de encontrar a representação adequada dos dados e selecionar os melhores algoritmos e parâmetros. Além disso, a natureza categórica e não-estruturada dificulta esse processo, requerendo conhecimento especializado. Sendo assim, o presente projeto propõe um framework fim-a-fim baseado em AM automatizado, chamado BioPrediction, capaz de identificar interações implícitas entre sequências sem a necessidade de conhecimento especializado em AM de ponta a ponta. O objetivo é desenvolver um modelo de classificação acessível a pesquisadores da área de ciências biológicas, facilitando a aplicação de AM em problemas de biologia molecular. Além disso, busca-se a interpretabilidade dos resultados, permitindo que pesquisadores compreendam a tomada de decisão do algoritmo em estudos de mapeamento de redes metabólicas, interações proteína-proteína e análise de RNA não codificante. Em resumo, BioPrediction visa impulsionar a pesquisa em biologia molecular, contribuindo para o desenvolvimento de terapias, por exemplo, a descoberta de fármacos e a detecção precoce de câncer, tornando-se uma ferramenta valiosa para pesquisadores e possibilitando avanços significativos em suas investigações científicas. (AU)