Dissertação
Network-based Regularization for Survival Analysis EVALUATED
Um dos maiores desafios do século XXI é a prevenção, diagnóstico e tratamento de doenças oncológicas. Para estudar os principais fatores de risco é comum recorrer-se a dados de sobrevivência dos pacientes. Estes conjuntos de dados estão frequentemente associados à expressão genética do individuo, sofrendo a maldição da dimensionalidade. Métodos como o LASSO e Elastic Net têm-se mostrado eficientes para lidar com problemas com as mesmas características. No entanto, resultam regularmente em modelos complexos que podem ser biologicamente pouco relevantes. Como solução, neste trabalho, é apresentada uma metodologia que melhor restringe o espaço de solução, favorecendo os genes mais relevantes tendo em conta datasets públicos. É considerada uma rede de relações entre proteínas para explorar um novo método de regularização, com base em medidas de centralidade, nomeadamente o grau e a intermediação. Com a restrição apresentada, são obtidas soluções que, no geral, consideram genes que são biologicamente mais interessantes, tendo uma forte presença em diversas investigações oncológicas. Os resultados obtidos indicam que a metodologia proposta resulta de facto em modelos mais simples e com melhores resultados. Além disso, permite obter genes que não estão ainda associados ao tipo de cancro em estudo, mas manifestam-se como potenciais candidatos a ter em conta. A aplicação desta metodologia em diversos datasets com as mesmas características em conjunto com uma maior validação científica, poderá levar à determinação de novos genes significativos no estudo da expressão de diversos tipos de cancro. Além disso, resulta na construção de modelos simples e mais robustos.
novembro 23, 2018, 17:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Susana de Almeida Mendes Vinga Martins
Departamento de Bioengenharia (DBE)
Professor Associado
ORIENTADOR
Alexandra Sofia Martins de Carvalho
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar