FenixEdu™

Dissertação

Graph Neural Networks in Clinical Cancer Feature Prediction EVALUATED

Detalhes: Grafos representam uma gama de informações e são aplicados em vários campos, incluindo na pesquisa biomédica, em impressões digitais moleculares e desenvolvimento de medicamentos. Os avanços no perfil molecular e nas tecnologias biomédicas levaram a um aumento significativo na capacidade de recolher e estudar dados ómicos de pacientes com cancro e dos seus tumores, sendo a proteômica um campo vital para compreender as suas interações, identificar tipos de cancro, ou mesmo estudar a resposta a medicamentos. Esta tese tem como objetivo desenvolver modelos de Graph Neural Network que possam lidar eficazmente com a elevada dimensionalidade dos recentes conjuntos de dados biomédicos para integrar dados moleculares e redes biológicas. Além disso, este modelo visa prever características clinicamente relevantes do cancro, como o tipo e subtipo de cancro. Para este fim, será aproveitado um novo conjunto de dados proteómicos que abrange mais de $40$ tipos de cancro em $\sim1.000$ linhas celulares de cancro. Crucialmente, o desempenho deste conjunto de dados juntamente com os modelos Graph Neural Network que integram redes de interação proteína-proteína permanece largamente inexplorado. O desempenho do modelo de rede neural gráfica desenvolvido será avaliado sistematicamente, comparando-o com as abordagens mais avançadas e os métodos clássicos de aprendizagem automática. Estes novos desenvolvimentos nos modelos de redes neurais de grafos, juntamente com a utilização de grandes volumes de dados, serão fundamentais para a criação de modelos de previsão mais precisos com aplicação direta na compreensão e no desenvolvimento de novas abordagens clínicas para o cancro.
Keywords: Graph Neural Network, Machine Learning, Classificação de Câncer, Dados Protéicos, Redes Biológicas

Discussão: novembro 22, 2023, 10:30