Adaptação de Aprendizado Positivo-Não Rotulado Automatizado para Predição Multirrótulo de Associações piRNA-Doença

• Processo: 26/14219-4
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de novembro de 2026
• Data de Término da vigência: 28 de fevereiro de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Ricardo Cerri
• Beneficiário: Gabriela Guerra
• Supervisor: Isaac Triguero Velazquez
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Universidad de Granada (UGR), Espanha
• Vinculado à bolsa: 26/01987-3 - Aprendizado Multirrótulo Fracamente Rotulado com Imputação de Rótulos para Predição de Associações piRNAs-Doenças, BP.IC
• Assunto(s): Classificação multirrótulo
• Palavra(s)-Chave do Pesquisador: Automated Machine Learning | Biomedical Datasets | multi-label classification | Positive-Unlabeled Learning | Aprendizado de Máquina e Bioinformática

Resumo

Os RNAs associados à proteína PIWI (piRNAs) são pequenos RNAs não codificantes envolvidos na regulação gênica e na estabilidade do genoma, estando associados a diversas doenças humanas, incluindo câncer e doenças neurodegenerativas. Devido ao seu potencial como biomarcadores e alvos terapêuticos, abordagens computacionais têm sido cada vez mais empregadas para predizer associações entre piRNAs e doenças. No entanto, essa tarefa permanece desafiadora porque os conjuntos de dados biológicos são tipicamente esparsos e contêm apenas associações positivas validadas experimentalmente, enquanto associações desconhecidas não podem ser consideradas exemplos negativos confiáveis. O aprendizado Positivo-Não Rotulado (Positive-Unlabeled, PU) tem sido amplamente aplicado para lidar com essa limitação, e frameworks recentes de Aprendizado de Máquina Automatizado para aprendizado PU (Auto-PU) têm demonstrado resultados promissores ao selecionar automaticamente classificadores, hiperparâmetros e estratégias de treinamento. Entretanto, os frameworks Auto-PU existentes foram desenvolvidos para tarefas de classificação binária e não abordam diretamente cenários multirrótulo, nos quais um único piRNA pode estar associado simultaneamente a múltiplas doenças. O projeto FAPESP em andamento no Brasil investiga associações piRNA-doença em um contexto multirrótulo. Portanto, este projeto BEPE propõe investigar a adaptação de frameworks Auto-PU para a predição multirrótulo de associações piRNA-doença por meio de estratégias de transformação de problema, particularmente Binary Relevance. Essa investigação poderá contribuir para ampliar a aplicação de soluções AutoML a conjuntos de dados biomédicos multirrótulo fracamente rotulados e fornecer insights sobre os desafios e oportunidades da combinação entre AutoML, aprendizado PU e classificação multirrótulo. (AU)