Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/58131
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Rafael Santos Erbisti | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4304671811815049 | pt_BR |
dc.contributor.referee1 | Jessica Quintanilha Kubrusly | pt_BR |
dc.contributor.referee2 | Luiz Carlos Júnior Alcântara | pt_BR |
dc.creator | Maria Gabriela Reis Carvalho | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/3487867735627454 | pt_BR |
dc.date.accessioned | 2023-08-22T22:40:42Z | - |
dc.date.available | 2023-08-22T22:40:42Z | - |
dc.date.issued | 2023-05-16 | - |
dc.identifier.uri | http://hdl.handle.net/1843/58131 | - |
dc.description.resumo | Este trabalho tem como objetivo principal contribuir com o desenvolvimento de novos imunoterápicos contra o câncer por meio do desenvolvimento e avaliação de modelos preditivos da capacidade de epítopos tumorais conduzirem à resposta imune efetiva. Um conjunto de 5.913 propriedades físico-químicas, estruturais e evolucionárias de sequências primárias de aminoácidos, consideradas potenciais preditoras da ativação das células TCD8+ foram empregadas na construção dos modelos. Modelos de regressão logística com penalização Lasso e Group-Lasso foram utilizadas para a seleção de um subconjunto ótimo de variáveis e os métodos de aprendizado estatístico XGBoost, Florestas Aleatórias (RF) e Máquinas de Vetores de Suporte (SVM) foram empregados para a classificação. Para o treinamento dos modelos, foi empregada a abordagem bootstrap com 1.000 amostras e, como métrica de desempenho, foram utilizados a Área Sob a Curva ROC (AUC), Sensibilidade e Especificidade. A análise dos modelos gerados permitiu verificar que, dentre os métodos de seleção de variáveis, o Group-Lasso foi aquele que apresentou melhor desempenho (AUC=0,6958). Dentre os modelos construídos com os diferentes métodos, a partir das variáveis selecionadas, aquele gerado com SVM apresentou um valor de AUC, igual a 0,8286, e Sensibilidade igual a 0,9078, tendo, portanto, um desempenho superior ao de modelos até então descritos na literatura. | pt_BR |
dc.description.sponsorship | FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE ESTATÍSTICA | pt_BR |
dc.publisher.program | Curso de Especialização em Estatística | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Restrito | pt_BR |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ | * |
dc.subject | câncer | pt_BR |
dc.subject | imunoterapia | pt_BR |
dc.subject | aprendizado estatístico | pt_BR |
dc.subject | aprendizado de máquinas | pt_BR |
dc.subject | epítopo | pt_BR |
dc.subject.other | Estatística | pt_BR |
dc.subject.other | Câncer | pt_BR |
dc.subject.other | Imunoterapia | pt_BR |
dc.subject.other | Aprendizado Estatístico | pt_BR |
dc.subject.other | Aprendizado do computador | pt_BR |
dc.title | Construção de modelo preditivo de imunogenicidade de neoepítopos: aplicação de métodos de aprendizado estatístico no desenvolvimento de imunoterápicos contra o câncer | pt_BR |
dc.type | Monografia (especialização) | pt_BR |
dc.description.embargo | 2025-05-16 | - |
Appears in Collections: | Especialização em Estatística |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Final_monografia_MGRC.pdf ???org.dspace.app.webui.jsptag.ItemTag.restrictionUntil??? 2025-05-16 | CONSTRUÇÃO DE MODELO PREDITIVO DE IMUNOGENICIDADE DE NEOEPÍTOPOS: aplicação de métodos de aprendizado estatístico no desenvolvimento de imunoterápicos contra o câncer | 1.46 MB | Adobe PDF | View/Open Request a copy |
This item is licensed under a Creative Commons License