Publicação
Data mining and machine learning to develop a non-invasive differential sensing method for medical diagnostics
| datacite.subject.fos | Engenharia e Tecnologia::Outras Engenharias e Tecnologias | pt_PT |
| dc.contributor.advisor | Palma, Susana | |
| dc.contributor.advisor | Lopes, Marta | |
| dc.contributor.author | Gonçalves, Inês Moreno | |
| dc.date.accessioned | 2024-01-10T11:21:58Z | |
| dc.date.embargo | 2026-12-11 | |
| dc.date.issued | 2023-12-11 | |
| dc.description.abstract | Medical research has introduced diagnostic tools that aid doctors in making accurate disease diagnosis. Nonetheless, some diagnostic methods are still invasive, expensive and painful for the patients. Therefore, accurate, less expensive and non-invasive methods are needed for medical diagnostics. In this dissertation, data mining and machine learning were applied to study the foundations of a novel non-invasive differential sensing method proposed by the Biomolecular Engineering Lab of NOVA School of Science and Technology for medical diagnostics. A set of proteins was studied regarding their interactions with a set of reported potential ligands. Predictions of protein-ligand interactions were performed with an accuracy of 71±3.9% using a group of 31 features. The differential sensing platform demonstrated potential to differentiate biomarkers of Parkinson’s disease and Bladder Cancer. Overall, the work has contributed to acquiring knowledge to continue developing the method, with the aim of creating a non-invasive, accurate, and patient-friendly medical diagnostics tool. | pt_PT |
| dc.description.abstract | A investigação médica introduziu ferramentas de diagnóstico que ajudam os médicos a fazer um diagnóstico exato de doenças. No entanto, alguns métodos de diagnóstico continuam a ser invasivos, caros e dolorosos para os pacientes. Por esse motivo, é necessário o desenvolvimento de métodos precisos, menos dispendiosos e não invasivos para diagnóstico médico. Nesta dissertação, a extração de dados e a aprendizagem automática foram aplicadas para estudar os fundamentos de um novo método não invasivo de deteção diferencial, proposto pelo Laboratório de Engenharia Biomolecular da Faculdade de Ciências e Tecnologia da Universidade NOVA de Lisboa para diagnóstico médico. Um conjunto de proteínas foi estudado relativamente às suas interações com um conjunto de potenciais ligandos. As previsões das interações proteína-ligando foram realizadas com uma precisão de 71±3,9% usando um grupo de 31 características. A plataforma de deteção diferencial demonstrou potencial para diferenciar biomarcadores de doença de Parkinson e cancro da bexiga. Em suma, o trabalho contribuiu para a aquisição de conhecimentos para continuar a desenvolver o método, com o objetivo de criar uma ferramenta de diagnóstico médico não invasiva, precisa e de fácil utilização para os pacientes. | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10362/162095 | |
| dc.language.iso | eng | pt_PT |
| dc.relation | ECR-2022-POC1 | pt_PT |
| dc.subject | Differential sensing | pt_PT |
| dc.subject | Machine Learning | pt_PT |
| dc.subject | Data Mining | pt_PT |
| dc.subject | Protein-ligand interactions | pt_PT |
| dc.subject | Medical diagnostics | pt_PT |
| dc.title | Data mining and machine learning to develop a non-invasive differential sensing method for medical diagnostics | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | embargoedAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado Integrado em Engenharia Biomédica | pt_PT |