Métodos computacionais para interpretação de dados biológicos (2025)
- Authors:
- Autor USP: SABINO, ALAN UTSUNI - FM
- Unidade: FM
- DOI: 10.11606/T.5.2025.tde-26092025-170514
- Subjects: APRENDIZADO COMPUTACIONAL; NEOPLASIAS RETAIS
- Keywords: Computational modeling; Drosophila melanogaster; Drosophila melanogaster; Endomicroscopia; Endomicroscopy; Gene expression regulation; Machine learning; Modelos computacionais; Rectal cancer; Regulação da expressão gênica
- Language: Português
- Abstract: Abordagens computacionais têm sido empregadas a fim de responder as mais diversas questões sobre fenômenos biológicos. O aperfeiçoamento do armazenamento e da produção de dados biológicos digitais, como as imagens médicas de alta resolução, aliado ao aumento na capacidade de processamento de algoritmos, como os de aprendizado de máquina, permite o desenvolvimento de modelos baseados em uma grande quantidade de dados. A endomicroscopia confocal é uma tecnologia que gera dados abundantes do trato gastrointestinal através da captura de vídeos in vivo com resolução de nível celular e vem sendo utilizada para investigar a existência de alterações na mucosa retal que indiquem a resposta ao tratamento de radioquimioterapia neoadjuvante em pacientes com câncer de reto localmente avançado. Alterações na estrutura dos tecidos podem ser reflexos de mudanças no padrão de expressão gênica das células que os compõem. A Drosophila melanogaster é um modelo experimental amplamente utilizado para investigar a relação entre a sequência de DNA, as dinâmicas de regulação da transcrição e o desenvolvimento possuindo uma vasta e bem estabelecida base de dados de expressão, sequência e imagens. Contudo, compreender e predizer fenômenos biológicos através de abordagens computacionais abastecidas com dados experimentais ainda é um desafio. Aqui nós mostramos que características extraídas computacionalmente de imagens de endomicroscopia in vivo do entorno do tumor ajudam a predizer a resposta aotratamento de pacientes com câncer retal. Também apontamos que é possível recuperar a lógica de regulação da transcrição em nível de resolução de um único sítio de ligação através de conjuntos de ajustes de parâmetros a dados. Nós desenvolvemos dois arcabouços computacionais que elucidam processos biológicos através do uso de dados. O primeiro aplica técnicas de processamento de imagem, engenharia de características e aprendizado de máquina nos vídeos de endomicroscopia para caracterização morfológica e classificação patológica da mucosa retal, além da predição de resposta ao tratamento. Nossos resultados sugerem que a região do tumor é menos informativa que a região de seu entorno para predizer resposta à radioquimioterapia. O segundo utiliza a otimização de parâmetros a dados em um modelo termodinâmico de nível de sequência do DNA, com conjuntos de parametrizações, para inferir os principais sítios de ligação no locus completo do gene even-skipped que conduzem a expressão na D. melanogaster. Nossa proposta melhorou a produção de parametrizações, de menos de uma centena para milhares de ajustes biologicamente compatíveis. Esse aumento fornece robustez ao inferir as lógicas de regulação da transcrição. Nossos resultados demonstram como as abordagens computacionais propostas permitem investigar fenômenos biológicos e levantar hipóteses baseadas em dados sejam de imagens in vivo de resolução celular da mucosa retal ou de expressão gênica em resolução de sequência de DNA da D.melanogaster. Nossa proposta pavimenta o caminho para métodos computacionais que unam as diferentes abordagens e escalas de dados como, por exemplo, o uso de imagens histológicas in vivo e ex vivo de pacientes com câncer retal associando mutações na sequência de DNA e alterações nos níveis de expressão gênica com mudanças na morfologia da mucosa e resposta ao tratamento
- Imprenta:
- Data da defesa: 02.06.2025
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
SABINO, Alan Utsuni. Métodos computacionais para interpretação de dados biológicos. 2025. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/5/5155/tde-26092025-170514/. Acesso em: 22 jan. 2026. -
APA
Sabino, A. U. (2025). Métodos computacionais para interpretação de dados biológicos (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/5/5155/tde-26092025-170514/ -
NLM
Sabino AU. Métodos computacionais para interpretação de dados biológicos [Internet]. 2025 ;[citado 2026 jan. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/5/5155/tde-26092025-170514/ -
Vancouver
Sabino AU. Métodos computacionais para interpretação de dados biológicos [Internet]. 2025 ;[citado 2026 jan. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/5/5155/tde-26092025-170514/ - Characterizing the regulatory logic of transcriptional control at the DNA sequence level by ensembles of thermodynamic models
- A comparative analysis of noise properties of stochastic binary models for a self-repressing and for an externally regulating gene
- Machine learning-based prediction of responsiveness to neoadjuvant chemoradiotheapy in locally advanced rectal cancer patients from endomicroscopy
Informações sobre o DOI: 10.11606/T.5.2025.tde-26092025-170514 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
