Mapeamento de vias de sinalização a partir de sintomas e hemogramas com apoio de MDL-VAE

• Processo: 26/04531-0
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de abril de 2026
• Data de Término da vigência: 30 de setembro de 2027
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Paula Cristina dos Santos
• Beneficiário: Luciana Chain Veronez
• CNAE: Desenvolvimento de programas de computador sob encomenda
• Vinculado ao auxílio: 25/14126-3 - Marie.AI: Plataforma Multimodal de Saúde da Mulher, AP.PIPE
• Assunto(s): Neoplasias ovarianas Epidemiologia Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Câncer de ovário | doenças ginecológicas benignas | Epidemiologia | Inteligência Artificial | Healthtech

Resumo

O trabalho desenvolvido pelo bolsista estará inserido no eixo de modelagem computacional da fisiologia de doenças ginecológicas, no contexto do projeto Marie.AI. O foco será a construção e a ampliação de agrupamentos funcionais de vias fisiopatológicas relevantes, associadas a condições como Síndrome dos Ovários Policísticos (SOP), câncer de ovário (CO), mioma e endometriose. A partir de dados clínicos (sinais e sintomas obtidos em anamnese) e laboratoriais (hemogramas), a bolsista integrará e parametrizará essas informações para a modelagem de grafos direcionados, capazes de representar mecanismos de ativação e progressão das principais vias celulares envolvidas.As vias selecionadas - PI3K-AKT-mTOR, JAK-STAT, TGF-¿/SMAD, MAPK/ERK, NF-¿B, Wnt/¿-catenina e VEGF - serão mapeadas com suporte clínico, validadas com base na literatura biomédica e embasadas em bancos de dados biomoleculares, como KEGG, Reactome e Gene Ontology. Em seguida, serão integradas a modelos baseados em MDL-VAE (Variational Autoencoder com Minimum Description Length), o que permitirá reconstruir trajetórias fisiopatológicas latentes associadas às manifestações clínicas.A bolsista utilizará ferramentas de bioinformática e de redes complexas (como NetworkX e PyTorch Geometric) para representar essas vias em grafos biológicos explicáveis.Essa estrutura dará suporte direto à interpretabilidade da IA médica, contribuindo para a identificação de padrões clínico-biológicos associados a diferentes estágios e perfis de pacientes. A integração entre sintomas, exames laboratoriais e vias moleculares tornará o sistema mais robusto, coerente e aplicável em contextos reais de triagem ginecológica. (AU)