Discriminação de alterações bioquímicas em células e tecidos por espectroscopia Rman e analise mutivariada com aprendizado de máquina
Espectroscopia Raman, Análise Multivariada, Diagnóstico, Aprendizado de Máquina
A presente tese investiga a aplicação da espectroscopia Raman, integrada à análise multivariada (PCA para redução de dimensionalidade e LDA com aprendizado de máquina para classificação) e validação cruzada (LOOCV), como uma metodologia eficaz para a discriminação e o potencial diagnóstico em três distintos modelos biológicos: inflamação em células A549 estimuladas com IL-1β e TGF-β, envelhecimento celular em células submetidas ao tratamento com D-galactose por 24 e 48 horas, e tecidos de camundongos diabéticos e não diabéticos. Em cada modelo, a espectroscopia Raman demonstrou sensibilidade para detectar alterações bioquímicas sutis associadas à condição investigada. A PCA identificou as principais fontes de variância espectral em cada conjunto de dados, enquanto a LDA, utilizando algoritmos de aprendizado de máquina, gerou modelos de classificação com alta acurácia na validação LOOCV. Especificamente, a LDA alcançou taxas superiores a 90% na discriminação entre grupos controle e tratados no modelo de envelhecimento celular e entre tecidos não diabéticos e diabéticos. Adicionalmente, no modelo de inflamação em células A549, a LDA também demonstrou alta capacidade de discriminação dos grupos celulares estimulados. A tese conclui que esta metodologia integrada, que emprega o poder do aprendizado de máquina na análise discriminante, representa um caminho promissor para a obtenção de insights moleculares detalhados e para o desenvolvimento de abordagens de diagnóstico baseadas em assinaturas espectrais em diversos contextos biológicos relevantes para a saúde humana.