Banca de DEFESA: LUKAS IOHAN DA CRUZ CARVALHO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : LUKAS IOHAN DA CRUZ CARVALHO
DATA : 26/02/2024
HORA: 09:00
LOCAL: Google Meet, meet.google.com/ihd-fkdq-zht
TÍTULO:

AVALIAÇÃO DE UM NOVO PROTOCOLO DE INDUÇÃO NEURONAL UTILIZANDO SINGLE-CELL RNA-SEQ E APRENDIZADO DE MÁQUINA

PALAVRAS-CHAVES:

Single-Cell RNA-Seq; iPSC; Aprendizado de Máquina; Identidade Regional

PÁGINAS: 126
RESUMO:

A identificação do tipo celular é uma etapa crítica na análise computacional de experimentos de scRNA-Seq, envolvendo a agrupação não supervisionada de células com base nos perfis de expressão gênica. Métodos tradicionais que dependem de marcadores gênicos canônicos apresentam limitações, como sensibilidade a variações e a ausência de genes característicos para certos tipos celulares. Para lidar com esses desafios, propomos uma abordagem inovadora que combina algoritmos de aprendizado de máquina com seleção de características. Nossa metodologia envolve a seleção de um conjunto de dados adequado para treinar um modelo, garantindo generalização para novos dados. Escolhemos um conjunto abrangente de dados que engloba o sistema nervoso central e periférico de camundongos em diferentes estágios de desenvolvimento. Em seguida, a seleção de características foi aplicada usando o algoritmo DUBStepR, considerando correlações gene-gene para identificar características ótimas para a classificação celular. O conjunto de dados resultante, composto por 28.795 células e 16.960 genes, foi usado para treinar e avaliar modelos utilizando os algoritmos de k Nearest Neighborhood (kNN), Decision Tree (DT), Naive Bayes (NB), Support Vector Machine (SVM) e Multilayer Perceptron (MLP). Todos os modelos demonstraram pontuações F1 superiores a 90%, exceto o NB. Testes em um conjunto de dados de scRNA-Seq de cérebro humano confirmaram a robustez dos algoritmos, com valores de área sob a curva (AUC) indicando uma classificação precisa das células. SVM e MLP foram selecionados para análises adicionais devido às taxas mais baixas de falsos positivos e falsos negativos. Comparativos com ferramentas existentes como scAnnotatR e ACTINN destacam a versatilidade de nossa abordagem, especialmente ao lidar com diversos tipos celulares. Em seguida, aplicamos os modelos SVM e MLP para classificar neurônios gerados in vitro a partir de neurônios humanos induzidos (hiNs) gerados por protocolos distintos, alcançando resultados consistentes na identificação de neurônios glutamatérgicos e GABAérgicos. Também tentamos classificar hiNs de acordo com células de diferentes regiões do cérebro, revelando desafios na classificação de neurônios GABAérgicos por região, possivelmente devido a um número limitado de características ótimas. Análise de expressão gênica e Análise de Enriquecimento de Conjunto de Genes (GSEA) contribuíram para identificar conjuntos de genes associados à maturação eletrofisiológica de hiNs glutamatérgicos gerados por um protocolo alternativo usando ASCL1 em comparação com outros protocolos. A análise da rede regulatória identificou fatores de transcrição mestres com maior atividade especificamente neste protocolo. Em conclusão, nossa abordagem integrada de seleção de características e algoritmos de aprendizado de máquina oferece uma maneira alternativa de identificar grupos celulares com base em perfis de expressão gênica, aprimorando o refinamento da análise de células individuais no contexto de expressão gênica diferencial, GSEA e redes regulatórias gênicas.

MEMBROS DA BANCA:
Externo à Instituição - CECÍLIA HEDIN-PEREIRA - Fiocruz - RJ
Presidente - 1674643 - MARCOS ROMUALDO COSTA
Externo à Instituição - MYCHAEL VINÍCIUS DA COSTA LOURENÇO
Interno - 1507794 - RODRIGO JULIANI SIQUEIRA DALMOLIN
Externo ao Programa - 2183828 - TARCISO ANDRE FERREIRA VELHO - null