Helicobacter Pylori e Interleucina-17: uma possível abordagem preditiva de Câncer Gástrico por Inteligência Artificial

• Processo: 24/21796-2
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de agosto de 2025
• Data de Término da vigência: 28 de fevereiro de 2029
• Área de conhecimento: Ciências Biológicas - Microbiologia - Microbiologia Aplicada
• Pesquisador responsável: José Celso Rocha
• Beneficiário: Bruno Mari Fredi
• Instituição Sede: Faculdade de Ciências e Letras (FCL-ASSIS). Universidade Estadual Paulista (UNESP). Campus de Assis. Assis , SP, Brasil
• Assunto(s): Neoplasias gástricas Helicobacter pylori Inteligência artificial Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: câncer gástrico | Catboost | Helicobacter pylori | Inteligência Artificial | interleucina 17 | Redes Neurais Artificiais | Inteligência Artificial associada à predição de Câncer Gástrico

Resumo

O Câncer Gástrico (CG) é uma doença multifatorial influenciada por fatores genéticos do indivíduo e pelas infecções de Helicobacter pylori (H. pylori). A extensão dessa infecção se deve a presença de fatores de virulência do H. pylori que contribuem para inflamação crônica e danos ao tecido. As Interleucinas (IL's) são citosinas do sistema imunológico produzidas em respostas às infecções. A IL-17 é um elemento chave dessa resposta inflamatória, e diversos Polimorfismos de Nucleotídeo Único (SNP's) de IL-17 podem contribuir para o CG. Investigar a relação de SNP's de IL-17 com a presença de H. pylori, auxiliará a elucidar a predisposição, o prognóstico e os processos evolutivos das doenças gástricas e CG. A Inteligência Artificial (IA) tem sido amplamente empregada no diagnóstico, predição e caracterização molecular de doenças, contribuindo significativamente para o avanço da medicina de precisão. A construção de modelos preditivos utilizando Redes Neurais Artificiais, Algoritmos Genéticos, Random Forest e Categorical Boost representa uma ferramenta promissora na predição do risco de desenvolvimento de CG, com base em variáveis genéticas do indivíduo e na presença da bactéria Helicobacter pylori. Diante do exposto, o objetivo deste projeto é desenvolver um algoritmo computacional, utilizando técnicas de IA para identificar fatores de susceptibilidade e predizer o risco de CG. Para tanto, a partir de 300 amostras de biopsia gástricas divididas em três grupos (Controle; Gastrite e Câncer), por qPCR será: (I) diagnosticado a presença de H. pylori e os marcadores de virulência: cagA, cagE, cagG, cagM, cagT, dupA, oipA e vacA, virb11; (II) detectar SNP's de interesse clínico nos genes IL-17, e (III) utilizando técnicas de IA, como as Redes Neurais Artificiais, Algoritmos Genéticos, Random Forest e Categorical Boost desenvolver na plataforma Matlab e/ou Python, um modelo preditivo capaz de identificar e classificar os grupos estudados e com isso caracterizar os fatores de susceptibilidade ao CG.