Publicação: Desenvolvimento de uma plataforma biofotônica acoplada em algoritmos de inteligência artificial para detecção salivar do vírus chikungunya
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS BIOLOGICAS::MICROBIOLOGIA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
O vírus Chikungunya (CHIKV) faz parte do gênero Alphavirus, pertencente à família Togaviridae.
É uma arbovirose cujo agente etiológico é transmitido através da picada de fêmeas infectadas do
gênero Aedes, como o Aedes aegypti e o Aedes albopictus. O primeiro surto documentado do
CHIKV ocorreu na Tanzânia entre 1952 e 1953, causando uma doença febril acompanhada de
dores articulares. Em 2013, o CHIKV foi introduzido no continente americano, desencadeando
uma epidemia significativa em vários países da América Central e nas ilhas do Caribe. No Brasil,
a circulação do vírus foi identificada pela primeira vez nos estados do Amapá e Bahia em 2014.
Atualmente, todos os estados do país relatam a transmissão desse arbovírus. Além dos fluídos
tradicionalmente utilizados para diagnóstico em humanos, como soro e plasma, já foi comprovada
a presença do CHIKV em outros fluídos corporais, incluindo secreções genitais. Neste sentido, a
saliva emerge como um biofluido promissor que permite auto-coleta não-invasiva e rico em
potenciais biomarcadores de doenças, permitindo abordagens de detecção que abrangem desde
alterações em proteínas, lipídeos, DNA, RNA, carbohidratos, metabólitos e eletrólitos. No entanto,
as pesquisas relacionadas ao diagnóstico do CHIKV na saliva ainda são limitadas. Esta tese é
composta por dois capítulos que se concentram ao desenvolvimento de uma plataforma baseada na
tecnologia ATR-FTIR associada a algoritmos de aprendizado de máquina, para detectar a infecção
causada pelo CHIKV em amostras de saliva. No primeiro capítulo o estudo teve como objetivo
identificar assinaturas específicas do perfil infravermelho salivar para detectar a infecção por
CHIKV em um modelo animal murino para detecção destaa doença emergente usando análise
multivariada e algoritmos de aprendizado de máquina. Para isto, camundongos C57/BL6 knockout
do gene interferon-gama foram inoculados intradermicamente com CHIKV (20 µl, 1 x 105
PFU/ml,
n=6) ou veículo (20 µl, n=7). Amostras de saliva e soro foram coletadas no dia 3 (devido ao pico
da viremia). A infecção pelo CHIKV foi confirmada por PCR em tempo real no soro de
camundongos infectados pelo CHIKV. A melhor análise preditiva foi utilizando o algoritmo
Support Vector Machine (SVM) que apresentou acurácia de 85%, sensibilidade de 83% e
especificidade de 86%. No segundo capítulo, o estudo teve como objetivo investigar a acurácia da
ATR-FTIR para detectar CHIKV diluído em diferentes concentrações na saliva humana. Por tanto,
os modelos de algoritmos foram aplicados para diferenciar 6 concentrações de CHIKV na saliva
em comparação com saliva não infectada. Neste trabalho, o modelo de algoritmo AdaBoost
apresentou uma acurácia de 83% (sensibilidade: 83%, especificidade: 83%) para a maior concentração 4X104
PFU/mL. Para a segunda concentração 4X103
PFU/mL, a acurácia foi de 75%
(sensibilidade: 66%, especificidade: 83%), sendo esta concentração é similar a detecção clínica no
diagnóstico do CHIKV na saliva. Nossos resultados demonstraram que essa plataforma biofotônica
sustentável utilizando espectros infravermelho da saliva, acoplado com algoritmos de inteligência
artificial, apresenta grande potencial para detectar a infecção do CHIKV em amostras de saliva.
Abstract
Chikungunya virus (CHIKV) is in the Alphavirus genus of the Togaviridae family. It is an
arbovirus whose etiological agent is transmitted through the bite of infected females of the Aedes
genus, such as Aedes aegypti and Aedes albopictus. The first documented outbreak of CHIKV
occurred in Tanzania between 1952 and 1953, causing a febrile illness accompanied by joint pain.
In 2013, CHIKV was introduced to the American continent, triggering a significant epidemic in
several Central American countries and the Caribbean islands. In Brazil, the circulation of the virus
was first identified in the states of Amapá and Bahia in 2014. Currently, all states in the country
report the transmission of this arbovirus. In addition to fluids traditionally used for diagnosis in
humans, such as serum and plasma, the presence of CHIKV in other body fluids, including genital
secretions, has already been proven. In this sense, saliva emerges as a promising biofluid rich in
biological markers, allowing approaches that range from changes in biochemical products to DNA,
RNA, and proteins. However, research related to the diagnosis of CHIKV in saliva is still limited.
This thesis consists of two chapters that focus on the development of a platform based on ATR FTIR technology, associated with machine learning algorithms, to detect infection caused by
CHIKV in saliva samples. In the first chapter, the study aimed to identify specific salivary infrared
profile signatures to detect CHIKV infection in a murine animal model, which is suitable for
discriminating this emerging disease using multivariate analysis and machine learning algorithms.
Thus, interferon-gamma gene knockout C57/BL6 mice were inoculated intradermally with CHIKV
(20 µl, 1 x 105 PFU/ml, n=6) or vehicle (20 µl, n=7). Saliva and serum samples were collected on
day 3 (due to peak viremia). CHIKV infection was confirmed by real-time PCR in serum from
CHIKV-infected mice. The best predictive analysis was using the support vector machine (SVM)
algorithm, which presented an accuracy of 85%, sensitivity of 83% and specificity of 86%. In the
second chapter, the study aimed to investigate the accuracy of ATR-FTIR to detect CHIKV diluted
in different concentrations in human saliva. Therefore, algorithm models were applied to
differentiate 6 concentrations of CHIKV in saliva compared to uninfected saliva. Here, the
AdaBoost algorithm model showed an accuracy of 83% (sensitivity: 83%, specificity: 83%) for the
highest concentration of 4X104 PFU/mL For the second concentration 4X103 PFU/mL, the
accuracy was 75% (sensitivity: 66%, specificity: 83%), this concentration being similar to that
already reported in a diagnostic study of the virus in saliva. Our results demonstrated that this
sustainable biophotonic platform using infrared spectra of saliva, coupled with artificial
intelligence algorithms, could detect CHIKV infection in saliva samples.
Palavras-chave
ATR-FTIR, Algoritmos de aprendizado de máquina, Vírus Chikungunya, Diagnóstico salivar, Chikungunya virus, Salivary diagnosis, Machine learning algorithms
Citação
VEGA, Marco Fidel Guevara. Desenvolvimento de uma plataforma biofotônica acoplada em algoritmos de inteligência artificial para detecção salivar do vírus chikungunya. 2023. 90 f. Tese (Doutorado em Imunologia e Parasitologia Aplicada) - Universidade Federal de Uberlândia, Uberlândia, 2023. DOI http://doi.org/10.14393/ufu.te.2023.597.