Construção de modelo preditivo de imunogenicidade de neoepítopos: aplicação de métodos de aprendizado estatístico no desenvolvimento de imunoterápicos contra o câncer
| dc.creator | Maria Gabriela Reis Carvalho | |
| dc.date.accessioned | 2023-08-22T22:40:42Z | |
| dc.date.accessioned | 2025-09-09T01:17:52Z | |
| dc.date.available | 2023-08-22T22:40:42Z | |
| dc.date.issued | 2023-05-16 | |
| dc.description.sponsorship | FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais | |
| dc.identifier.uri | https://hdl.handle.net/1843/58131 | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Minas Gerais | |
| dc.rights | Acesso Restrito | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ | |
| dc.subject | Estatística | |
| dc.subject | Câncer | |
| dc.subject | Imunoterapia | |
| dc.subject | Aprendizado Estatístico | |
| dc.subject | Aprendizado do computador | |
| dc.subject.other | câncer | |
| dc.subject.other | imunoterapia | |
| dc.subject.other | aprendizado estatístico | |
| dc.subject.other | aprendizado de máquinas | |
| dc.subject.other | epítopo | |
| dc.title | Construção de modelo preditivo de imunogenicidade de neoepítopos: aplicação de métodos de aprendizado estatístico no desenvolvimento de imunoterápicos contra o câncer | |
| dc.type | Monografia de especialização | |
| local.contributor.advisor1 | Rafael Santos Erbisti | |
| local.contributor.advisor1Lattes | http://lattes.cnpq.br/4304671811815049 | |
| local.contributor.referee1 | Jessica Quintanilha Kubrusly | |
| local.contributor.referee1 | Luiz Carlos Júnior Alcântara | |
| local.creator.Lattes | http://lattes.cnpq.br/3487867735627454 | |
| local.description.embargo | 2025-05-16 | |
| local.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. | |
| local.publisher.country | Brasil | |
| local.publisher.department | ICX - DEPARTAMENTO DE ESTATÍSTICA | |
| local.publisher.initials | UFMG | |
| local.publisher.program | Curso de Especialização em Estatística |