Journal of Data Mining in Genomics & Proteomics

Abstrato

Seleção de recursos computacionais e classificação da gravidade fenotípica do RET

David K. Crockett, Stephen R. Piccolo, Scott P. Narus, Joyce A. Mitchell e Julio C. Facelli

Embora muitas mutações relatadas no oncogene RET tenham sido diretamente associadas ao carcinoma hereditário da tiroide, outras mutações são rotuladas como variantes genéticas incertas porque não foram claramente associadas a um fenótipo clínico. O processo de determinação da gravidade de uma mutação é dispendioso e demorado. As ferramentas e métodos informáticos podem ajudar a colmatar esta lacuna genótipo-fenótipo. Para atingir este objetivo, foram avaliados algoritmos de classificação de aprendizagem automática quanto à sua capacidade de distinguir variantes benignas e patogénicas do gene RET, caracterizadas por diferenças nos valores das propriedades físico-químicas do resíduo presente no tipo selvagem e no da sequência mutada. Foram escolhidos algoritmos representativos a partir de diferentes categorias de técnicas de classificação de aprendizagem automática, incluindo regras, bayes e regressão, vizinho mais próximo, máquinas de vetores de suporte e árvores. Os modelos de aprendizagem automática foram então comparados com técnicas bem estabelecidas utilizadas para a previsão da gravidade da mutação. A classificação de aprendizagem automática pode ser utilizada para prever com precisão o estado da mutação RET utilizando apenas informações de sequência primária. Os algoritmos existentes baseados na homologia de sequências (conservação ortóloga) ou em dados estruturais de proteínas não são necessariamente superiores.