Espectroscopia FTIR associada ao machine learning na classificação dos marcadores de predisposição a diabetes mellitus tipo 2

Página do item simplificado
dc.contributor.advisorCanevari, Renata de Azevedo
dc.contributor.authorSilva, Isabella Souza
dc.contributor.coadvisorRaniero, Leandro José
dc.contributor.event2São José dos Campos
dc.contributor.refereeSoares, Luís Eduardo Silva
dc.contributor.refereeCarvalho, Luis Felipe das Chagas e Silva de
dc.date.accessioned2025-05-09T17:42:33Z
dc.date.available2025-05-09T17:42:33Z
dc.date.issued2025-02-24
dc.description.abstractA 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.
dc.description.abstract2Glucose is an essential carbohydrate for cellular energy metabolism, whose homeostasis is regulated by insulin and glucagon. Alterations in this balance can lead to the development of type 2 diabetes mellitus (T2DM), and early identification is crucial to mitigating complications. This study aims to evaluate the feasibility of the ATR-FTIR spectroscopy technique combined with a machine learning algorithm as an alternative method for detecting the -866G/A SNP of the UCP2 gene and analyzing human serum glucose levels to identify predisposition to T2DM. Clinical and biochemical data from 59 patients were collected and analyzed, including glucose, glycated hemoglobin, total cholesterol, and triglycerides. The Attenuated Total Reflectance Fourier Transform Infrared Spectroscopy (ATR-FTIR) technique was used to obtain spectra from 59 serum samples and 52 DNA samples amplified by PCR (polymerase chain reaction). Genotyping was performed using the PCR-RFLP (Restriction Fragment Length Polymorphism) technique on 52 DNA samples obtained from whole blood. Hierarchical cluster analysis and artificial neural networks were used to separate groups based on serum glucose concentrations. Principal component analysis (PCA) and machine learning techniques (KNN and SVM) were applied to classify groups according to the SNP type (AA, GA, or GG) of the UCP2 gene. Genotyping analysis revealed a balanced distribution between biochemical variables and different genotypes, with a significant difference observed only in insulin levels, which were higher in the GA genotype (19.75 µU/mL) compared to the GG (11.00 µU/mL) and AA (14.48 µU/mL) genotypes. Hierarchical cluster analysis demonstrated effectiveness in separating serum samples into groups with glucose concentrations above and below 100 mg/dL, achieving 78% accuracy. Artificial neural network (ANN) models applied to these samples achieved 83% precision, with a recall of 91% for class 1. Machine learning analysis using KNN-Cosine achieved 74% accuracy in classifying AA and GG genotypes and 73.5% accuracy for GA and GG genotypes in the spectral range of 1170-1800 cm?¹. The ATR-FTIR analysis combined with machine learning algorithms proved to be a promising, less invasive, and more accessible approach than traditional methods. This technique demonstrated the ability to distinguish groups based on different glucose levels and the -866G/A SNP genotypes.
dc.description.physical103 f.
dc.format.mimetypepdf
dc.identifier.affiliationUniversidade do Vale do Paraíba
dc.identifier.affiliationUniversidade do Vale do Paraíba
dc.identifier.affiliationUniversidade do Vale do Paraíba
dc.identifier.affiliationUniversidade de Taubaté
dc.identifier.bibliographicCitation2SILVA, Isabella Souza. Espectroscopia FTIR associada ao machine learning na classificação dos marcadores de predisposição a diabetes mellitus tipo 2. São José dos Campos, SP, 2025. 104 f.; PDF. Dissertação (Mestrado em Engenharia Biomédica) - Universidade do Vale do Paraíba, Instituto de Pesquisa e Desenvolvimento, São José dos Campos, 2025.
dc.identifier.urihttps://repositorio.univap.br/handle/123456789/907
dc.language.isopt_BR
dc.publisher.countryBrasil
dc.publisher.initialsUnivap
dc.publisher.institutionUniversidade do Vale do Paraíba
dc.publisher.programMestrado em Engenharia Biomédica
dc.publisher.spatialSão José dos Campos
dc.subject.keywordDiabetes Mellitus Tipo 2
dc.subject.keywordPredição
dc.subject.keywordAnálise Espectral
dc.subject.keywordAprendizado de Máquina
dc.subject.keywordPolimorfismo Genético
dc.titleEspectroscopia FTIR associada ao machine learning na classificação dos marcadores de predisposição a diabetes mellitus tipo 2
dc.title.alternativeFTIR spectroscopy combined with machine learning in the classification of predisposition markers for type 2 diabetes mellitus
dc.typeDissertação
dc.type.masterDegreeMestrado Acadêmico

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Dissertacao-Isabella Souza Silva.pdf
Tamanho:
2.54 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Dissertação-PPGEB