São Paulo — InkDesign News — A utilização de machine learning no estudo de genes HLA promete revolucionar a previsão de respostas imunes em indivíduos. Pesquisadores trabalham na correlação entre a frequência de genes HLA e taxas de doenças autoimunes, utilizando dados globais.
Arquitetura de modelo
O modelo combina informações de frequência genética com taxas de doenças autoimunes, permitindo a previsão em países onde os dados são escassos. Utilizando a abordagem de Bayesian inference, os pesquisadores conseguem estimar a incerteza nas previsões, aumentando a confiabilidade dos resultados.
“A combinação é baseada na distribuição de Dirichlet e podemos usar uma abordagem bayesiana para estimar a incerteza também.”
(“the combination is based on the Dirichlet distribution and we can use a Bayesian approach to estimate uncertainty too.”)— Nome, Cargo, Instituição
Treinamento e otimização
A aplicação do Python e da biblioteca HLAfreq facilita a coleta e o processamento de dados, permitindo que os pesquisadores combinem frequências de genes de múltiplos estudos. A filtragem de dados proporciona uma métrica mais precisa ao calcular a frequência de alelos como o HLA-B*27.
“Os dados de frequência HLA são amplamente estudados e frequentemente disponíveis, permitindo estimativas de condições autoimunes que podem estar ausentes ou imprecisas devido aos desafios de diagnóstico.”
(“HLA frequencies are widely studied and so often available, allowing us to estimate rates of autoimmune conditions which may be missing or inaccurate due to the challenges of diagnosis.”)— Nome, Cargo, Instituição
Resultados e métricas
A pesquisa revelou uma correlação positiva significativa entre a frequência do HLA-B*27 e as taxas de artrite, com a exclusão de outliers como a Finlândia. O modelo aumentou o número de países com estimativas de taxas de doenças de 16 para 52.
“De fato, a previsão de taxas de doenças aumenta o número de países com estimativas de taxas de doenças de 16 para 52 e pode ajudar a identificar países que poderiam se beneficiar de uma vigilância adicional.”
(“Using these predictions increases the number of countries with disease rate estimates from 16 to 52 and can help identify countries that could benefit from additional surveillance.”)— Nome, Cargo, Instituição
As aplicações práticas desse modelo são vastas, permitindo que os profissionais de saúde pública direcionem esforços para vigilância e diagnóstico em países com altas frequências de HLA-B*27. A continuidade da pesquisa nessa área pode resultar em diagnósticos mais eficazes e rápidos em condições autoimunes.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
