MACHINE LEARNING PARA DELINEAMENTO EXPERIMENTAL EM ESTUDOS DA DOR - IOT, REDE NEURAL, K-MEANS E ÁRVORE DE DECISÃO
O machine learning representa um conjunto de ferramentas utilizadas para encontrar relacionamentos não triviais, predizer comportamentos ou classificar um conjunto de elementos. Esse tipo de técnica tem sido utilizado para os mais diversos fins, dentre os quais, destacam-se os estudos relacionados à dor. Para alguns tipos de estudos na área, são necessários muitos testes preliminares antes do delineamento final dos experimentos direcionados à investigação de determinado alvo, além da grande quantidade de testes necessários para o mapeamento de agentes, por exemplo, que podem ativar ou bloquear determinada via. O objetivo desta pesquisa consiste em construir um framework que receba conjunto de dados, tais como aqueles produzidos em análises de dose-resposta de uma substância, testes comportamentais que avaliam o limiar de retirada de pata após ativação ou bloqueio de alvos relacionados à via nociceptiva, além de outros dados e técnicas computacionais de Machine learning que consigam predizer resultados. O sucesso de tal ferramenta implicaria em melhora na eficiência experimental considerando o menor número de testes necessários e a redução de custos com drogas e utilização de animais.
MACHINE LEARNING PARA DELINEAMENTO EXPERIMENTAL EM ESTUDOS DA DOR - IOT, REDE NEURAL, K-MEANS E ÁRVORE DE DECISÃO
-
DOI: 10.22533/at.ed.9982113043
-
Palavras-chave: Machine learning, dor, IoT, redução de custo
-
Keywords: Machine learning, pain, IoT, cost reduction.
-
Abstract:
Machine learning represents a set of tools used to find non-trivial relationships, predict behaviors, or classify a set of elements. This type of technique has been used for the most diverse purposes, among which, studies related to pain are highlighted. For some types of studies in the area, many preliminary tests are needed before the final design of the experiments aimed at investigating a specific target, in addition to a large number of tests necessary for mapping agents, for example, that can activate or block a certain path. The objective of this research is to build a framework that receives a set of data, such as those produced in dose-response analysis of a specific substance, behavioral tests that assess the threshold of paw withdrawal after activation or blocking targets related to the nociceptive pathway, in addition to other machine learning data and computational techniques that can predict results. The success of such a tool would imply an improvement in experimental efficiency considering the smaller number of necessary tests and the reduction of costs with drugs and animal use.
-
Número de páginas: 15
- Glaucilene Ferreira Catroli
- Eduwardo Keizo Horibe Junior
- Matheus Gaboardi Tralli
- Rafael Soares Torres
- João Marcos Santos
- Fabio Andrijauskas
