O uso de redes neurais artificiais na análise de dados de câncer de pulmão

Lung cancer represents the leading cause of cancer death worldwide and has a high incidence. Like other types of cancer, it can occur due to different causes, from genetics to environmental ones, so studies carried out using different types of data may be relevant for the control of this neoplasm...

ver descrição completa

Na minha lista:
Detalhes bibliográficos
Autor principal: Lima, Débora Virgínia da Costa e
Outros Autores: Doria Neto, Adrião Duarte
Formato: Dissertação
Idioma:pt_BR
Publicado em: Universidade Federal do Rio Grande do Norte
Assuntos:
Câncer de pulmão
Aprendizado profundo
Dados genômicos
Assinatura gênica
Sobrevida
Endereço do item:https://repositorio.ufrn.br/handle/123456789/48470
Tags: Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
id ri-123456789-48470
record_format dspace
institution Repositório Institucional
collection RI - UFRN
language pt_BR
topic Câncer de pulmão
Aprendizado profundo
Dados genômicos
Assinatura gênica
Sobrevida
spellingShingle Câncer de pulmão
Aprendizado profundo
Dados genômicos
Assinatura gênica
Sobrevida
Lima, Débora Virgínia da Costa e
O uso de redes neurais artificiais na análise de dados de câncer de pulmão
description Lung cancer represents the leading cause of cancer death worldwide and has a high incidence. Like other types of cancer, it can occur due to different causes, from genetics to environmental ones, so studies carried out using different types of data may be relevant for the control of this neoplasm, especially when considering factors that have an impact on patient survival. In the context of lung cancer, this study uses deep learning to predict patient survival. Clinical and molecular data from TCGA (The Cancer Genome Atlas) databases were obtained for the LUSC (Lung Squamous Cell Carcinoma) and LUAD (Lung Adenocarcinoma) cohorts, followed by the analysis of the genomic alterations, and application of neural networks using as input the frequently mutated genes for each cohort, selection of key genes and validation with another database. The cohorts showed differences in survival among themselves when subjected to the Kaplan-Meier method and the Log-Rank test. In the genomic analysis, all genes with a mutation frequency above 15% were selected, and 34 genes were found for LUAD and 32 for LUSC. The use of these genes as input in the constructed networks made it possible to generate the LUSC and LUAD networks with 100% accuracy, identifying, according to the mutations, the vital status of the patient. In addition, a LUSC network was also obtained using another LUSC-KR database as validation, which reached 99% accuracy. In this way, this work showed that the use of genes with frequent mutations associated with deep learning is a robust tool and allows predicting the survival of patients with lung cancer.
author2 Doria Neto, Adrião Duarte
author_facet Doria Neto, Adrião Duarte
Lima, Débora Virgínia da Costa e
format masterThesis
author Lima, Débora Virgínia da Costa e
author_sort Lima, Débora Virgínia da Costa e
title O uso de redes neurais artificiais na análise de dados de câncer de pulmão
title_short O uso de redes neurais artificiais na análise de dados de câncer de pulmão
title_full O uso de redes neurais artificiais na análise de dados de câncer de pulmão
title_fullStr O uso de redes neurais artificiais na análise de dados de câncer de pulmão
title_full_unstemmed O uso de redes neurais artificiais na análise de dados de câncer de pulmão
title_sort o uso de redes neurais artificiais na análise de dados de câncer de pulmão
publisher Universidade Federal do Rio Grande do Norte
publishDate 2022
url https://repositorio.ufrn.br/handle/123456789/48470
work_keys_str_mv AT limadeboravirginiadacostae ousoderedesneuraisartificiaisnaanalisededadosdecancerdepulmao
_version_ 1773963923192545280
spelling ri-123456789-484702022-07-12T22:54:01Z O uso de redes neurais artificiais na análise de dados de câncer de pulmão Lima, Débora Virgínia da Costa e Doria Neto, Adrião Duarte http://lattes.cnpq.br/4705169857699631 https://orcid.org/0000-0002-5445-7327 http://lattes.cnpq.br/1987295209521433 Ferreira, Beatriz Stransky https://orcid.org/0000-0003-4506-393X http://lattes.cnpq.br/3142264445097872 Torres, Taffarel Melo Sakamoto, Tetsu Câncer de pulmão Aprendizado profundo Dados genômicos Assinatura gênica Sobrevida Lung cancer represents the leading cause of cancer death worldwide and has a high incidence. Like other types of cancer, it can occur due to different causes, from genetics to environmental ones, so studies carried out using different types of data may be relevant for the control of this neoplasm, especially when considering factors that have an impact on patient survival. In the context of lung cancer, this study uses deep learning to predict patient survival. Clinical and molecular data from TCGA (The Cancer Genome Atlas) databases were obtained for the LUSC (Lung Squamous Cell Carcinoma) and LUAD (Lung Adenocarcinoma) cohorts, followed by the analysis of the genomic alterations, and application of neural networks using as input the frequently mutated genes for each cohort, selection of key genes and validation with another database. The cohorts showed differences in survival among themselves when subjected to the Kaplan-Meier method and the Log-Rank test. In the genomic analysis, all genes with a mutation frequency above 15% were selected, and 34 genes were found for LUAD and 32 for LUSC. The use of these genes as input in the constructed networks made it possible to generate the LUSC and LUAD networks with 100% accuracy, identifying, according to the mutations, the vital status of the patient. In addition, a LUSC network was also obtained using another LUSC-KR database as validation, which reached 99% accuracy. In this way, this work showed that the use of genes with frequent mutations associated with deep learning is a robust tool and allows predicting the survival of patients with lung cancer. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES O câncer de pulmão representa a principal causa de morte com câncer no mundo, e possui altos níveis de incidência. Assim como outros tipos de câncer, pode ocorrer por diversas causas, de genéticas à ambientais, por isso estudos realizados a partir de diferentes tipos de dados podem ser relevantes para o controle dessa neoplasia, especialmente quando considerados fatores que têm impacto na sobrevivência dos pacientes. No contexto do câncer de pulmão, esse estudo foi desenvolvido para utilizar deep learning a fim de prever a sobrevivência de pacientes. Para tanto foram obtidos dados clínicos e moleculares presentes em bancos de dados do TCGA (The Cancer Genome Atlas) referentes às coortes LUSC (Carcinoma de Células Escamosas do Pulmão) e LUAD (Adenocarcinoma do pulmão), seguido da análise das alterações genômicas, e aplicação de redes neurais usando como entrada os genes frequentemente mutados para cada coorte, seleção de genes chave e validação com outro banco de dados. As coortes apresentaram diferenças na sobrevida entre si quando submetidas ao método de Kaplan-Meier e ao teste Log-Rank. Na análise genômica, foram selecionados todos os genes com frequência de mutação superior a 15%, sendo encontrados 34 genes para LUAD e 32 para LUSC. A utilização desses genes como entrada nas redes construídas possibilitou a geração das redes LUSC e LUAD com 100% de acurácia, identificando, de acordo com as mutações, o status vital do paciente. Além disso, foi obtida também uma rede LUSC usando como validação um outro banco de dados o LUSC-KR que alcançou 99% de acurácia. Desta forma, este trabalho mostrou que a utilização de genes com mutações frequentes associadas ao uso de deep learning é uma ferramenta robusta e permite predizer a sobrevida de pacientes com câncer de pulmão. 2022-07-12T22:53:24Z 2022-07-12T22:53:24Z 2022-05-12 masterThesis LIMA, Débora Virgínia da Costa e. O uso de redes neurais artificiais na análise de dados de câncer de pulmão. 2022. 76f. Dissertação (Mestrado em Bioinformática) - Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte, Natal, 2022. https://repositorio.ufrn.br/handle/123456789/48470 pt_BR Acesso Aberto application/pdf Universidade Federal do Rio Grande do Norte Brasil UFRN PROGRAMA DE PÓS-GRADUAÇÃO EM BIOINFORMÁTICA

Registros relacionados