Publicação: Comparação de algoritmos de aprendizado de máquina para predizer futuras cepas do vírus da influenza
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Todos os anos são feitos esforços para que a produção de vacinas que sejam eficazes contra o vírus influenza. No entanto, para que uma vacina tenha o efeito desejado, é necessário realizar estudos aprofundados sobre as possíveis mutações do vírus. Embora existam vários métodos de predição de novas cepas do vírus influenza na literatura, poucos ainda utilizam inteligência artificial como ferramenta nesse processo. Diante disso, este trabalho propõe a implementação de algoritmos de aprendizado para comparar seu desempenho na previsão de novas cepas, bem como compará-los com os modelos existentes na literatura. Os modelos de aprendizado foram implementados em Python, utilizando bibliotecas externas, como Florestas Aleatórias, Árvores Extras, Naive Bayes e Árvores de Decisão. Após a implementação, foram coletados dados das cepas H1N1 e H3N2 de um banco de dados e organizados em arquivos FASTA, seguindo uma ordem cronológica. A execução de todos os algoritmos revelou que o modelo de Florestas Aleatórias apresentou uma acurácia superior aos outros. Ao compará-lo com os modelos da literatura, constatou-se que o algoritmo de Florestas Aleatórias teve um bom desempenho, ficando atrás apenas de um modelo que utiliza aptidão preditiva.
Abstract
Every year, efforts are made to produce vaccines that are effective against the influenza
virus. However, in order for a vaccine to have the desired effect, in-depth studies on pos-
sible virus mutations are necessary. Although there are several methods in the literature
for predicting new strains of the influenza virus, only a few utilize artificial intelligence as
a tool in this process. In light of this, this study proposes the implementation of learning
algorithms to compare their performance in predicting new strains and to compare them
with existing models in the literature. The learning models were implemented in Python,
using external libraries such as Random Forests, Extra Trees, Naive Bayes, and Decision
Trees. After implementation, data from H1N1 and H3N2 strains were collected from a
database and organized in FASTA files in chronological order. The execution of all algo-
rithms revealed that the Random Forests model had a higher accuracy than the others.
When compared to the models in the literature, it was found that the Random Forests
algorithm performed well, second only to a model that utilizes predictive fitness.
Palavras-chave
Aprendizado de máquina, Predição, Influenza, Machine learning, Prediction, Flu
Citação
MACEDO, Lucas do Nascimento. Comparação de algoritmos de aprendizado de máquina para predizer futuras cepas do vírus da influenza. 2023. 50 f. Trabalho de Conclusão de Curso (Graduação em Ciência da computação) – Universidade Federal de Uberlândia, Uberlândia, 2023.