Navegando por Assunto "Aprendizado de Máquina"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Espectroscopia FTIR associada ao machine learning na classificação dos marcadores de predisposição a diabetes mellitus tipo 2
    (2025-02-24) Canevari, Renata de Azevedo; Soares, Luís Eduardo Silva; Carvalho, Luis Felipe das Chagas e Silva de; Silva, Isabella Souza; Raniero, Leandro José; São José dos Campos
    A glicose é um carboidrato essencial para o metabolismo energético celular, cuja homeostase é regulada por insulina e glucagon. Alterações nesse equilíbrio podem levar ao desenvolvimento de diabetes mellitus do tipo 2 (DM2), cuja identificação precoce é fundamental para mitigar complicações. O objetivo deste estudo é avaliar a viabilidade da técnica de espectroscopia ATR- FTIR aliada ao algoritmo machine learning como um método alternativo na detecção do SNP -866G/A do gene UCP2 e na análise glicêmica de soro humano para identificação de predisposição a DM2. Foram coletados e analisados dados clínicos e bioquímicos de 59 pacientes, incluindo glicemia, hemoglobina glicada, colesterol total e triglicerídeos A técnica de Espectroscopia no Infravermelho por Transformada de Fourier com Reflexão Total Atenuada (ATR-FTIR) foi utilizada para a obtenção dos espectros de 59 amostras de soro e 52 amostras de DNA amplificado pela PCR (reação em cadeia da polimerase). A genotipagem foi realizada pela técnica de PCR-RFLP (Polimorfismo de comprimento de fragmentos de restrição em 52 amostras de DNA obtido do sangue total dos pacientes. A análise de cluster hierárquico e redes neurais artificiais foram utilizadas para a separação dos grupos em relação as concentrações séricas de glicose. As técnicas de análise de componentes principais (PCA) e machine learning (KNN e SVM) foram utilizadas ,para a a classificação dos grupos em relação ao tipo de SNP (AA, GA ou GG) do gene UCP2. A análise da genotipagem revelou uma distribuição equilibrada entre as variáveis bioquímicas e os diferentes genótipos, apresentando diferença significativa apenas nos níveis de insulina, que foram mais elevados no genótipo GA (19,75 µU/mL) em comparação aos genótipos GG (11,00 µU/mL) e AA (14,48 µU/mL). A análise de cluster hierárquico demonstrou eficácia na separação das amostras de soro em grupos com concentrações de glicose acima e abaixo de 100 mg/dL, atingindo uma acurácia de 78%. Modelo redes neurais artificiais (ANN) aplicados a essas amostras obtiveram 83% de precisão, com recall de 91% para a classe 1. A análise de machine learning como o KNN-Cosine, alcançou acurácia de 74% na classificação entre os genótipos AA e GG, e de 73,5% entre GA e GG, na faixa espectral de 1170-1800 cm?¹, A análise de ATR-FTIR combinada com o alogaritmo machine learning foi demonstrada como uma abordagem promissora, menos invasiva e mais acessível que os métodos tradicionais. Essa técnica demonstrou capacidade de distinguir os grupos baseados nos diferentes níveis de glicose p e genótipos do SNP -866G/A.
  • Imagem de Miniatura
    Item
    Modelo de florestas aleatórias para identificar falsos positivos na triagem de fibrose cística com dados artificiais
    (Grupo MultiAtual Educacional) Custódio, Paulo Rogério Siqueira; Oliveira , Virginia Klausner de; Ogawa, Guilherme Maerschner; Almeida, Rainara Moreno Sanches de
    A Fibrose Cística é uma doença letal que é caracterizada por infecções crônicas no pulmão, insuficiência pancreática e elevados níveis de cloro no suor, essa doença é causada pela mutação no gene do Regulador de Condutância Transmembrana da Fibrose Cística (CFTR), essa doença faz com que o organismo produza secreções espessas e viscosas que obstruem os pulmões, pâncreas e no ducto biliar (RIBEIRO ROSA e colab., 2008). Esta doença faz parte do programa de Triagem Neonatal Brasileiro, sendo triada através da quantificação do Tripsinogênio Imunorreativo (IRT), entretanto essa tripsina apresenta um elevado índice de resultados falsos positivos, isso faz com que seja necessário um outro teste para confirmação do diagnóstico. Sabe-se pela literatura que existem fatores que influenciam na alteração da tripsina como a etnia por exemplo devido a doença ser em sua grande maioria na população caucasiana. Então este trabalho propõe a utilização de técnicas de florestas aleatórias para conseguir detectar a probabilidade de um resultado ser falso positivo analisando as informações