As bases a serem explorada nesse estudo foram disponibilizada pela Alura, na 3ª edição da Imersão Dados, e esse projeto foi inspirado em um desafio do Laboratory for Innovation Science at Harvard (https://www.kaggle.com/c/lish-moa). As análises aqui apresentadas são extraídas de bases com experimentos e resultados de estudos de compostos químicos aplicados em diferentes genes e tipos celulares.
O principal objetivo é explorar a possibilidade de criar modelos de machine learning que possam prever informações que sirvam de auxílio ao processo de descoberta de novos fármacos.
Os modelos desenvolvidos nesse projeto tem como objetivo prever as variáveis:
Se algum mecanismo de ação é ativado ou não:
- 0 ou 1 | [ativo_moa]
Compostos:
- '87d714366', '9f80f3f77', '8b87a7a83' ou '5628cb3ee' | [composto] (teste de machine learning controlado, há mais de 3000 compostos na base)
Se o tratamento é com_controle:
- 0 ou 1 | [com_controle]
A base de dados se encontra nesse mesmo diretório e está separada em dois arquivos:
-
Dados de experimento (comprimido em zip)
-
Dados de resultados (csv)
Dados de experimentos
id | identificador único do experimento;
tratamento [com_controle, com_droga] | com_controle: grupo não afetado por composto químico, serve de referência para os que são afetados. com_droga: grupo afetado por compostos químicos;
g's [g0 até g771]: genes utilizados para experimento;
c's [c0 até c99]: tipos celulares utilizados para experimento.
Os valores disponíveis nas colunas de genes são referentes a variabilidade normalizada das expressões gênicas. Já os valores disponíveis nas colunas de tipos celulares, são referentes a viabilidade celular.
Dados de resultados
id | identificador único do resultado;
demais colunas | as demais colunas são mecanismos de ação ou, como serão mencionados nesse projeto: Mechanism of Action (MoA).
Os mecanismos de ação são registrados como não ativados ou ativados [0, 1]. Temos diversos tipos de MoA na análise de resultados a serem apresentados no decorrer das análises.
[1] Drug Discovery: passado, presente e futuro (https://docs.google.com/document/d/10EhrQBChlyYIcff3to7PrCQi5HcNk2r-zd2ZCKPtcz8/edit)
[2] Expressão gênica: o caminho da informação biológica (https://drive.google.com/file/d/1VNP08ffCiGD8cqaBkdHATWSX8Yxfm3dj/view)
[3] Grupo de controle (https://pt.wikipedia.org/wiki/Grupo_de_controle#:~:text=Um%20grupo%20de%20controle%20cient%C3%ADfico,dois%20experimentos%20id%C3%AAnticos%20s%C3%A3o%20conduzidos)
[5] Dummy classifier (https://scikit-learn.org/stable/modules/generated/sklearn.dummy.DummyClassifier.html)
[6] Árvores de Decisão (https://medium.com/machine-learning-beyond-deep-learning/%C3%A1rvores-de-decis%C3%A3o-3f52f6420b69)
[7] Sobreajuste (Overfitting) (https://pt.wikipedia.org/wiki/Sobreajuste)
[8] Supporting Vector Classifier (SVC) (https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html)
[9] SciKit Learn (https://scikit-learn.org/stable/)
[10] Alura (https://www.alura.com.br/)