English

CIn - Centro de Informática UFPE




Eventos Relacionados

Defesa de Dissertação de Mestrado Nº 1.423: " Predição da Resposta de Pacientes a Terapias anti-HIV Através de Aprendizagem de Máquina"

O aluno Rafael Henrique da Silva Santos irá defender seu trabalho dia 27 de agosto, às 8h, na Sala D218 Início: 27/08/2014 às 10:00 Término: 27/08/2014 às 12:00 Local: Sala D218

Pós-Graduação em Ciência da Computação - UFPE
Defesa de Dissertação de Mestrado Nº 1.423

Aluno: Rafael Henrique da Silva Santos
Orientadora: Profa Katia Silva Guimarães
Título: Predição da Resposta de Pacientes a Terapias anti-HIV Através de Aprendizagem de Máquina
Data: 27/08/2014
Hora/Local: 8h -  Sala D218
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / CIn)
Prof. Jones Oliveira de Albuquerque (UFRPE / Departamento de Estatística e Informática)
Prof. Katia Silva Guimarães (UFPE / CIn)

RESUMO:


O Vírus da Imunodeficiência Humana (HIV) vem causando a morte de milhões de vítimas todos os anos. Trata-se de um retrovírus capaz de alterar o material genético das células hospedeiras, utilizando-as para produzir cópias de si. Nesse processo de replicação, podem ocorrem falhas no pareamento das bases nitrogenadas, resultando em mutações do HIV. Essas mutações são as responsáveis pela resistência aos medicamentos antirretrovirais e fazem com que o sistema imunológico do hospedeiro não reconheça mais o vírus. Assim, identificar as mutações no HIV que levam a resistência do vírus a certos medicamentos e predizer se o paciente terá uma resposta satisfatória a terapia antes mesmo dela ser iniciada, é de fundamental importância para o sucesso do tratamento. Muitos métodos estatísticos e de aprendizagem de máquina têm sido aplicados para tentar solucionar esse problema.
 Nesse trabalho, dados de indivíduos com HIV foram utilizados para desenvolver modelos responsáveis por predizer a resposta dos pacientes ao tratamento antirretroviral. Informações clínicas (carga viral e quantidade de células T-CD4+) juntamente com sequências de RNA do vírus (transcriptase reversa e protease) foram empregadas no treinamento dos classificadores Perceptron Multicamadas, Função de Base Radial, e Máquinas de Vetor Suporte. O algoritmo SMOTE foi aplicado para lidar com a enorme diferença entre o número de amostras de casos e controles, o que foi crucial para a precisão dos modelos. Os resultados mostram que o modelo SVM é mais preciso do que os outros dois, com uma área de curva ROC de 0,9398. Dos 1000 pacientes, 646 foram preditos corretamente por todos os modelos, ao passo que 69 foram classificados incorretamente na mesma situação. Analisando esses dados mais atentamente, foram identificados códons e propriedades importantes na diferenciação desses dois grupos de pacientes. Entre os códons identificados, alguns tem respaldo na literatura e outros são novos. A análise empregada oferece várias informações que podem ser muito úteis na predição da resposta de pacientes ao tratamento antirretroviral.

Palavras-chave: HIV, mutação, resistência, tratamento antirretroviral, predição, aprendizagem de máquina.
    
  • © Centro de Informática UFPE - Todos os direitos reservados
    Tel +55 81 2126.8430 - Cidade Universitária - 50740-560 - Recife/PE
Plano4 Consultoria Web