Algoritmo preditivo para abundância de LT-HSC em populações heterogêneas usando transcriptômica de célula única e aprendizado de máquina

• Processo: 24/23813-1
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de março de 2025
• Data de Término da vigência: 31 de agosto de 2025
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Karina Griesi Oliveira
• Beneficiário: Thalita Camelo da Silva Ferreira
• Instituição Sede: Hospital Israelita Albert Einstein. Sociedade Beneficente Israelita Brasileira Albert Einstein (SBIBAE). São Paulo , SP, Brasil
• Vinculado ao auxílio: 22/03118-1 - Identificação e avaliação de assinatura de expressão gênica de células-tronco hematopoiéticas por abordagens de biologia de sistemas e aprendizado de máquina, AP.PNGP.PI
• Assunto(s): Aprendizado computacional Biologia computacional
• Palavra(s)-Chave do Pesquisador: Long-Term Hematopoietic Stem Cells | machine learning | single-cell RNA-Seq | Bioinformática

Resumo

Quantificar com precisão as células-tronco hematopoiéticas com potencial de enxertia de longo prazo (long-term hematopoietic stem cells - LT-HSC) é crucial na pesquisa de células-tronco hematopoiéticas, mas representa um desafio significativo. Sua raridade e a complexidade associada à sua identificação são grandes obstáculos. Métodos atuais considerados padrão-ouro, como o xenotransplante, exigem muitos recursos e são demorados. Esses desafios se tornam mais pronunciados em fluxos de trabalho experimentais que requerem a avaliação de múltiplas condições, especialmente em protocolos de edição gênica. Este projeto visa desenvolver um score baseado em aprendizado de máquina para estimar a abundância de LT-HSC em amostras de bulk RNA-Seq. Nossa metodologia envolve o uso da Análise de Rede de Coexpressão Gênica Ponderada (WGCNA) para identificar genes centrais associados a LT-HSCs a partir de dados de transcriptoma de LT-HSC disponíveis publicamente. Os níveis de expressão desses genes serão utilizados para treinar o modelo de aprendizado de máquina, com o objetivo de gerar uma pontuação preditiva para o enriquecimento de LT-HSC. Para o treinamento desses modelos, serão empregados conjuntos de dados pseudo-bulk com proporções conhecidas de LT-HSC, derivados de dados de RNA-Seq de célula única. Espera-se que esta abordagem não apenas aumente a eficiência da pesquisa na área hematopoiética, simplificando o processo de pré-triagem e reduzindo a dependência de métodos tradicionais, mas também forneça uma ferramenta escalável com aplicações clínicas significativas. Em última análise, este projeto tem o potencial de levar a um entendimento mais profundo da biologia de LT-HSC.