Investigando a relação entre os aminoácidos de proteínas do vírus da dengue e o desfecho clínico do paciente
Resumo
Neste trabalho propomos um método simplificado para representar proteínas do vírus da dengue e classificá-las de acordo com a severidade da infecção, sendo estas clássica e severa. Essas classes identificam o desfecho clínico do paciente, permitindo relacionar a composição genômica do vírus e a reação que esse causou nos pacientes. Para isso, transformamos as sequências proteicas em um conjunto de redes complexas (grafos), a partir das quais foram gerados histogramas com o grau dos nós. As representações foram classificadas por uma Árvore de Decisão. Para validação empregou-se o método Leave-One-Out. O classificador atingiu uma área média sob a curva ROC de 70% a 84%.
Palavras-chave:
Bioinformática, Vírus da dengue, Redes Complexas
Referências
Balasaravanan K. and Prakash M. (2018). “Detection of dengue disease using artificial neural network based classification technique”. International Journal of Engineering & Technology, 7 (1.3) (2018) 13-15.
Bland, J.M., Altman, D.G. (1996). “Statistics notes: measurement error”. BMJ. 312 (7047): 1654. doi:10.1136/bmj.312.7047.1654. PMC 2351401. PMID 8664723.
Diestel, R. (2005). “Graph Theory” 3ª ed. Berlin, New York: Springer-Verlag. ISBN 978-3-540-26183-4.
Foster, D.V., Foster, J.G.,Grassberger, P., Paczuski, M. (2011). “Clustering drives assortativity and community structure in ensembles of networks”. Physical review. E, Statistical, nonlinear, and soft matter physics. 84 (6 Pt 2). 066117 páginas. PMID 22304165. doi:10.1103/PhysRevE.84.066117.
Freeman, L. (1977). "A set of measures of centrality based on betweenness". Sociometry. 40(1): 35–41. doi:10.2307/3033543. JSTOR 3033543.
Holland, P.W. and Leinhardt, S. (1971). "Transitivity in structural models of small groups". Comparative Group Studies 2: 107–124.
Ito, E.A., Katahira, I., Vicente, F.F.R., Pereira, L.F.P., and Lopes, F.M. (2017). “BASiNET––BiologicAl Sequences NETwork: a case study on coding and non-coding RNAs identification”. Nucleic Acids Research, 2018, Vol. 46, No. 16.
Iqbal N. and Islam M. (2019). “Machine Learning for Dengue Outbreak Prediction: A Performance Evaluation of Different Prominent Classifiers”. Informatica 43 (2019) 363–371. https://doi.org/10.31449/inf.v43i1.1548
Mao, G. and Zhang, N. (2013) “Analysis of Average Shortest-Path Length of Scale-Free Network”. doi: 10.1155/2013/865643.
Metz, J., Calvo, R., Seno, E.R.M., Romero, R.A.F., Liang, Z. (2007). “Redes Complexas: conceitos e aplicações”. Instituto de Ciências Matemáticas e de Computação, No 290, São Carlos, 2007, páginas 9--21, issn: 0103-2569
Sani, H.M., Lei, C., Neagu, D. (2018). “Computational Complexity Analysis of Decision Tree Algorithms”. In: Bramer, M., Petridis, M. (eds) Artificial Intelligence XXXV. SGAI 2018. Lecture Notes in Computer Science, vol 11311. Springer, Cham.
Souza, L.R., Colonna, J.G., Comodaro, J.M. (2022) “Using amino acids co-occurrence matrices and explainability model to investigate patterns in dengue virus proteins”. BMC Bioinformatics 23, 80. https://doi.org/10.1186/s12859-022-04597-y
Bland, J.M., Altman, D.G. (1996). “Statistics notes: measurement error”. BMJ. 312 (7047): 1654. doi:10.1136/bmj.312.7047.1654. PMC 2351401. PMID 8664723.
Diestel, R. (2005). “Graph Theory” 3ª ed. Berlin, New York: Springer-Verlag. ISBN 978-3-540-26183-4.
Foster, D.V., Foster, J.G.,Grassberger, P., Paczuski, M. (2011). “Clustering drives assortativity and community structure in ensembles of networks”. Physical review. E, Statistical, nonlinear, and soft matter physics. 84 (6 Pt 2). 066117 páginas. PMID 22304165. doi:10.1103/PhysRevE.84.066117.
Freeman, L. (1977). "A set of measures of centrality based on betweenness". Sociometry. 40(1): 35–41. doi:10.2307/3033543. JSTOR 3033543.
Holland, P.W. and Leinhardt, S. (1971). "Transitivity in structural models of small groups". Comparative Group Studies 2: 107–124.
Ito, E.A., Katahira, I., Vicente, F.F.R., Pereira, L.F.P., and Lopes, F.M. (2017). “BASiNET––BiologicAl Sequences NETwork: a case study on coding and non-coding RNAs identification”. Nucleic Acids Research, 2018, Vol. 46, No. 16.
Iqbal N. and Islam M. (2019). “Machine Learning for Dengue Outbreak Prediction: A Performance Evaluation of Different Prominent Classifiers”. Informatica 43 (2019) 363–371. https://doi.org/10.31449/inf.v43i1.1548
Mao, G. and Zhang, N. (2013) “Analysis of Average Shortest-Path Length of Scale-Free Network”. doi: 10.1155/2013/865643.
Metz, J., Calvo, R., Seno, E.R.M., Romero, R.A.F., Liang, Z. (2007). “Redes Complexas: conceitos e aplicações”. Instituto de Ciências Matemáticas e de Computação, No 290, São Carlos, 2007, páginas 9--21, issn: 0103-2569
Sani, H.M., Lei, C., Neagu, D. (2018). “Computational Complexity Analysis of Decision Tree Algorithms”. In: Bramer, M., Petridis, M. (eds) Artificial Intelligence XXXV. SGAI 2018. Lecture Notes in Computer Science, vol 11311. Springer, Cham.
Souza, L.R., Colonna, J.G., Comodaro, J.M. (2022) “Using amino acids co-occurrence matrices and explainability model to investigate patterns in dengue virus proteins”. BMC Bioinformatics 23, 80. https://doi.org/10.1186/s12859-022-04597-y
Publicado
07/06/2022
Como Citar
QUEIROZ, Diego; CUNHA, Fagner; SOUZA, Leonardo Rodrigues; COLONNA, Juan G..
Investigando a relação entre os aminoácidos de proteínas do vírus da dengue e o desfecho clínico do paciente. In: TRABALHOS EM ANDAMENTO - SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 22. , 2022, Teresina/PI.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 92-97.
ISSN 2763-8987.
DOI: https://doi.org/10.5753/sbcas_estendido.2022.222463.
