Explorando o aprendizado de máquina explicável para predizer fatores genéticos relacionados à sobrevivência ao câncer a partir de dados transcriptômicos
Visualizar/abrir
Data
2026Autor
Orientador
Nível acadêmico
Especialização
Outro título
Exploring explainable machine learning to predict genetic factors related to cancer survival from transcriptomic data
Assunto
Resumo
O uso de técnicas de aprendizado de máquina na pesquisa biomédica tem possibilitado grandes avanços em saúde. Ao permitir a análise de grande quantidade de dados, viabiliza diagnósticos e prognósticos mais precisos e escolhas terapêuticas adaptadas às características individuais de cada paciente. Nesse sentido, o presente estudo teve como objetivo identificar assinaturas gênicas associadas à sobrevivência de pacientes com carcinoma renal dos subtipos KIRC e KIRP por meio da integração de dados ...
O uso de técnicas de aprendizado de máquina na pesquisa biomédica tem possibilitado grandes avanços em saúde. Ao permitir a análise de grande quantidade de dados, viabiliza diagnósticos e prognósticos mais precisos e escolhas terapêuticas adaptadas às características individuais de cada paciente. Nesse sentido, o presente estudo teve como objetivo identificar assinaturas gênicas associadas à sobrevivência de pacientes com carcinoma renal dos subtipos KIRC e KIRP por meio da integração de dados transcriptômicos do TCGA e de modelos de aprendizado de máquina (ML) aliados a técnicas de inteligência artificial explicável (XAI). Foram utilizados cinco algoritmos para a predição: Random Forest, Gradient Boosting, Logistic Regression, MLP e CatBoost Os modelos alcançaram desempenho satisfatório, especialmente para o subtipo KIRC, com destaque para o Cat- Boost (AUC-ROC = 0.82; C-index = 0.82; acurácia = 0.78). Em KIRP, observou-se maior variabilidade, atribuída ao baixo número de amostras positivas e ao desbalanceamento entre classes, embora o Random Forest e o CatBoost tenham apresentado resultados promissores. As técnicas de XAI utilizadas, SHAP, PFI e Árvores de Decisão Surrogadas, permitiram identificar como genes de maior importância preditiva em KIRC o IL20RB, SLFN11 e LINC00839, e em KIRP o TOP2A, PDIA4 e ACAA1. Os resultados reforçam as diferenças moleculares entre os subtipos e apontam potenciais biomarcadores relacionados à resposta inflamatória, replicação celular e resistência terapêutica. ...
Abstract
The application of machine learning techniques in biomedical research has driven significant advancements in healthcare. By enabling the analysis of large datasets, these methods facilitate more precise diagnoses and prognoses, as well as therapeutic choices tailored to individual patient characteristics. In this context, the present study aimed to identify gene signatures associated with the survival of patients with renal cell carcinoma — specifically the clear cell (KIRC) and papillary (KIRP ...
The application of machine learning techniques in biomedical research has driven significant advancements in healthcare. By enabling the analysis of large datasets, these methods facilitate more precise diagnoses and prognoses, as well as therapeutic choices tailored to individual patient characteristics. In this context, the present study aimed to identify gene signatures associated with the survival of patients with renal cell carcinoma — specifically the clear cell (KIRC) and papillary (KIRP) subtypes — through the integration of transcriptomic data from the TCGA with machine learning (ML) models and explainable artificial intelligence (XAI) techniques. Five predictive algorithms were employed: Random Forest, Gradient Boosting, Logistic Regression, MLP, and CatBoost. The models achieved satisfactory performance, particularly for the KIRC subtype, with CatBoost as the standout performer (AUC-ROC = 0.82; C-index = 0.82; accuracy = 0.78). For KIRP, greater variability was observed, attributed to the low number of positive samples and class imbalance, although Random Forest and CatBoost showed promising results. XAI techniques — including SHAP, PFI, and Surrogate Decision Trees — enabled the identification of genes with the highest predictive importance: IL20RB, SLFN11, and LINC00839 for KIRC, and TOP2A, PDIA4, and ACAA1 for KIRP. The findings reinforce the molecular distinctions between the subtypes and highlight potential biomarkers related to inflammatory response, cellular replication, and therapeutic resistance. ...
Instituição
Universidade Federal do Rio Grande do Sul. Instituto de Informática. Curso de Especialização em Engenharia de Software para Aplicações de Ciência de Dados.
Coleções
Este item está licenciado na Creative Commons License


