1. Repositório Institucional da UFMG
  2. Trabalhos Acadêmicos
  3. Monografias de Especialização
  4. Especialização em Estatística
Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/58131
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Rafael Santos Erbistipt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4304671811815049pt_BR
dc.contributor.referee1Jessica Quintanilha Kubruslypt_BR
dc.contributor.referee2Luiz Carlos Júnior Alcântarapt_BR
dc.creatorMaria Gabriela Reis Carvalhopt_BR
dc.creator.Latteshttp://lattes.cnpq.br/3487867735627454pt_BR
dc.date.accessioned2023-08-22T22:40:42Z-
dc.date.available2023-08-22T22:40:42Z-
dc.date.issued2023-05-16-
dc.identifier.urihttp://hdl.handle.net/1843/58131-
dc.description.resumoEste 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.sponsorshipFAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Geraispt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICX - DEPARTAMENTO DE ESTATÍSTICApt_BR
dc.publisher.programCurso de Especialização em Estatísticapt_BR
dc.publisher.initialsUFMGpt_BR
dc.rightsAcesso Restritopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/pt/*
dc.subjectcâncerpt_BR
dc.subjectimunoterapiapt_BR
dc.subjectaprendizado estatísticopt_BR
dc.subjectaprendizado de máquinaspt_BR
dc.subjectepítopopt_BR
dc.subject.otherEstatísticapt_BR
dc.subject.otherCâncerpt_BR
dc.subject.otherImunoterapiapt_BR
dc.subject.otherAprendizado Estatísticopt_BR
dc.subject.otherAprendizado do computadorpt_BR
dc.titleConstrução de modelo preditivo de imunogenicidade de neoepítopos: aplicação de métodos de aprendizado estatístico no desenvolvimento de imunoterápicos contra o câncerpt_BR
dc.typeMonografia (especialização)pt_BR
dc.description.embargo2025-05-16-
Appears in Collections:Especialização em Estatística

Files in This Item:
File Description SizeFormat 
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 câncer1.46 MBAdobe PDFView/Open    Request a copy
Show simple item record


This item is licensed under a Creative Commons License Creative Commons