Exploring explainable machine learning to predict genetic factors related to cancer survival from transcriptomic data
Year: 2026
Type: dissertation
Abstract: 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.
Author: Feijó, Grace dos Santos
Language: Portuguese
Subfield: Molecular Biology
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W7202011965
