GitHub - pedrozanineli/imersao-dados-desafio-final

A proposta do projeto foi inspirada em um desafio do Laboratório de inovação de ciências de Harvard, com os dados da competição disponibilizados no kaggle.

Para uma melhor visualização, o arquivo no Google Colab detém a divisão das seções e uma melhor formatação:

A ciência de dados e o Machine Learning no tema de drug discovery

O tema desse trabalho é a identificação dos chamados MoA - Mecanism of Activations, ou Mecanismo de Ativação, por meio do uso de Machine Learning em uma base de dados. Uma vez identificados os compostos com efeito clínicos efetivos, é possível auxiliar no processo de criação de medicamentos e análise nas etapas desse processo.

Objetivo a ser resolvido

O objetivo escolhido a ser realizado é a previsão de ativação ou não de determinados mecanismos, tomando como base, tanto de treino para teste, os dados fornecidos na plataforma kaggle já mencionada.

Para podermos compreender o projeto como um todo, é preciso tomar como ponto de partida o entendimento das tabelas e variáveis:

1.Tabela dos experimentos

Podemos buscar a tabela dos experimentos, após leitura da base de dados com o auxílio da biblioteca Pandas importada, sendo armazenada na variável exp, com o código abaixo:

exp.head()

Id	Tratamento	Tempo	Dose	Composto	g-0	...	c-99
id_000644bb2	com_droga	24	D1	b68db1d53	1.0620	...	0.4176
id_000779bfc	com_droga	72	D1	df89a8e5a	0.0743	...	0.7371
id_000a6266a	com_droga	48	D1	18bb41b2c	0.6280	...	0.6931
id_0015fd391	com_droga	48	D1	8c7f86626	-0.5138	...	-0.8154
id_001626bd3	com_droga	72	D2	7cbed3131	-0.3254	...	0.7125

Para entendermos as particularidades desse projeto, precisamos entender qual o seu significado e respectivos valores possíveis:

Id - refere-se a cada experimento realizado, servindo como um identificador para cada um deles;
Tratamento - indica como a amostra foi tratada, sendo possível com ou sem droga;
Tempo - demonstra o tempo decorrido para apresentação de algum efeito, podendo ser 24, 48 ou 72 horas (um, dois ou três dias, portanto);
Dose - apesar de não ser possível compreender tão a fundo, dois tipos de dosagem são apresentados (D1 e D2), podendo ser a quantidade aplicada, p.e.;
Composto - constitui o composto (droga, na tabela original) que está sendo testado, apresentado uma grande quantidade de opções;
Colunas com prefixo "g" - as expressões gênicas, o processo de transcrição até a possível síntese de uma proteína;
Coluna com prefixo "c" - as viabilidades celulares, isto é, a avaliação quantitativa e qualitativa de uma cultura celular.

2. Tabela dos resultados

De maneira semelhante ao acesso da tabela de experimentos, acessamos a tabela de resultados:

res.head()

id	5-alpha_reductase_inhibitor	11-beta-hsd1_inhibitor	acat_inhibitor	...
id_000644bb2	0	0	0	...
id_000779bfc	0	0	0	...
id_000a6266a	0	0	0	...
id_0015fd391	0	0	0	...
id_001626bd3	0	0	0	...

Para entendermos as particularidades desse projeto, precisamos entender qual o seu significado e respectivos valores possíveis:

Id - refere-se a cada experimento realizado, servindo como um identificador para cada um deles;
Colunas seguintes são indicadas por MoA, mecanism of activation, os mecanismos de ativação.

Nessas colunas, os valores que podem ser atribuídos são binários - ou seja, apenas dois possíveis. Caso o valor seja 0, indicando uma resposta negativa, sem ativação, portanto. Mas, se o valor for igual a 1, indicando uma resposta positiva, com ativação, portanto.

Os nomes dos mecanismos são compostos por 2 componentes: o alvo e o efeito causado no alvo. Por exemplo o MoA 5-alpha_reductase_inhibitor, indica um mecanismo relacionado com a inibição de redutase 5-alpha.

Bibliografia utilizada no projeto

[1] Projeto do laboratório de inovações de ciência de Harvard:

https://lish.harvard.edu/;

[2] Dados da competição disponibilizados no kaggle:

https://www.kaggle.com/c/lish-moa;

[3] NADEL, Dani, & WERKER, Ella. (1999). The oldest ever brush hut plant remains from Ohalo II, Jordan Valley, Israel (19,000 BP). Disponível em:

https://www.researchgate.net/publication/262726781_The_oldest_ever_brush_hut_plant_remains_from_Ohalo_II_Jordan_Valley_Israel_19_BP;

[4] Vantagens, aplicação e composição da farinha de peixe:

https://www.patense.com.br/pt/views/farinha-de-peixe.php;

[5] HARDY, Karen. Paleomedicine and the Evolutionary Context of Medicinal Plant Use. Revista Brasileira de Farmacologia, 2020. Disponível em: https://link.springer.com/article/10.1007/s43450-020-00107-4

[6] Informações e publicações de artigos a respeito de drug discovery:

https://www.nature.com/subjects/drug-discovery;

[7] TOLEDO, Karina. Drogas que modulam a expressão gênica são testadas em modelo de diabetes. Agência FAPESP, 2016. Disponível em: https://agencia.fapesp.br/drogas-que-modulam-a-expressao-genica-sao-testadas-em-modelo-de-diabetes/23690/

[8] Python na Ciência de Dados Livro de Bolso, do autor Jake VanderPlas:

https://jakevdp.github.io/PythonDataScienceHandbook/00.00-preface.html;

[9] Documentação da biblioteca Pandas:

https://pandas.pydata.org/docs/;

[10] Documentação da biblioteca Matplotlib:

https://matplotlib.org/2.0.2/;contents.html

[11] Documentação da biblioteca Seaborn:

https://seaborn.pydata.org/;

[12] Entendendo melhor os vetores com a Alura: