Use este identificador para citar ou linkar para este item:
https://repositorio.pucgoias.edu.br/jspui/handle/123456789/5118
Tipo: | Trabalho de Conclusão de Curso |
Título: | Predição de resistência antimicrobiana em pseudômonas aeruginosa com aprendizagem de máquina |
Autor(es): | Sousa, Gabriel Teixeira Andrade |
Primeiro Orientador: | Coelho, Clarimar José |
metadata.dc.contributor.referee1: | Centeno, Carmen Cecilia |
metadata.dc.contributor.referee2: | Alves, André Luiz |
Resumo: | A queda na produção de novos antibióticos em conjunto com o aumento de bactérias resistentes, provou necessário encontrar formas alternativas de combater esse problema. A forma recomen- dada pela Organização Mundial de Saúde é a conscientização na administração dos antibióticos a pacientes em necessidade. Para esse fim, o aprendizado de máqunia tem se mostrado nos últimos anos como uma excelente solução. Com o objetivo de combater a bactéria multirresistente Pseudomonas aeruginosa, foi realizado a obtenção de amostras por meio do conhecido banco de dados público PATRIC. O tratamento dos dados das amostras por meio da análise k-mer se mostrou eficaz, porém computacionalmente custoso, limitando o escopo da pesquisa. A partir dai, foi realizado o treinamento dos algoritmos de aprendizagem de máquina Adaboost, Bagging, SVM, Árvores aleatórias, Regressão Logistica e GradientBoost. Como resultado, obteve-se um F1-score médio entre 0.7-0.8, evidenciando o potencial dessas ferramentas em auxiliar o tratamento de infecções bacterianas. |
Abstract: | The drop in the production of new antibiotics along with the increase in resistant bacteria, proved necessary to find alternative ways to combat this problem. The recommendation given by the World Health Organization is the awareness in the administration of antibiotics to patients in need. In this aspect, machine learning has been shown in recent years as an excellent solution. With the objective of combating the multiresistant bacteria Pseudomonas aeruginosa, samples were obtained through the well-known public database PATRIC. Treatment of data through k-mer analysis proved to be effective, but computationally costly, limiting the scope of the research. Moving foward, machine learning algorithms training was carried out with Adaboost, Bagging, SVM, Random Trees, Logistic Regression and GradientBoost. The e F1-score averaging between 0.7-0.8, highlights the potential of these tools to help the treatment of bacterial infections. |
Palavras-chave: | Aprendizagem de máquina Resistência antimicrobiana Pseudomonas aeruginosa Análise K-mer |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA |
Idioma: | por |
País: | Brasil |
Editor: | Pontifícia Universidade Católica de Goiás |
Sigla da Instituição: | PUC Goiás |
metadata.dc.publisher.department: | Escola Politécnica |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.pucgoias.edu.br/jspui/handle/123456789/5118 |
Data do documento: | 8-Dez-2022 |
Aparece nas coleções: | TCC Engenharia de Computação |
Arquivos associados a este item:
Arquivo | Tamanho | Formato | |
---|---|---|---|
TCC_Gabriel - Corrigido.pdf | 5,68 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.
Ferramentas do administrador