OTIMIZAÇÃO DE DESEMPENHO DE ALGORITMOS DE MACHINE LEARNING PARA CLASSIFICAÇÃO DE REGISTROS ELETROFISIOLÓGICOS DE ORGANÓIDES CORTICAIS DERIVADOS DE CÉLULAS DE INDIVÍDUOS COM SÍNDROME DE RETT.

INTRODUÇÃO: Organóides corticais são formados por diversos tipos de células cerebrais, e correspondem a um modelo in vitro que é amplamente utilizado para investigar o funcionamento do cérebro em seus estágios iniciais de desenvolvimento, onde incluem-se os transtornos do neurodesenvolvimento, como a síndrome de Rett (RTT). Esta síndrome é caracterizada por problemas no desenvolvimento motor, atrasos na fala e presença de movimentos repetitivos. Causada por mutações no gene MECP2 (methyl CPG binding protein 2), RTT caracteriza-se por problemas eletrofisiológicos nas células nervosas, com instabilidade nas sinapses dos neurônios que, consequentemente, podem estar ligadas a diversos fenótipos observados na síndrome, como convulsão. Neste contexto, torna-se fundamental o desenvolvimento de algoritmos que permitam analisar e caracterizar os padrões de comunicação sináptica entre as células nervosas gerados por meio da aquisição de sinais elétricos de organóides corticais utilizando a técnica de matrizes multieletrodos (MEA). OBJETIVOS: Aplicar um algoritmo baseado em transformadas wavelets e de inteligência artificial para decompor e classificar sinais brutos de sinais elétricos do tipo LFP (Local Field Potential) adquiridos por MEA MATERIAIS E MÉTODO: Foram adquiridos dados de sinais elétricos de LFP provenientes da gravação de sinais elétricos (768 canais, cada um com 240 segundos de gravação) de organóides corticais adquiridos por MEA, da Axion Biosystems. Os dados foram disponibilizados por meio de uma colaboração com a Universidade da Califórnia San Diego (UCSD, USA). Dados foram foram convertidos para matrix de dados utilizando scripts de programação matemática em MatLab. Posteriormente, também em MatLab, foi desenvolvido algoritmo para processar a matrix de dados, com aplicação de transformada wavelet. Para analisar e categorizar os dados resultantes, foram configurados e aplicados os algoritmos de classificação utilizando as técnicas de inteligência artificial (IA) conhecidas como support vector machines (SVM), k-nearest neighbors algorithm (k-NN) e decision tree. RESULTADOS: O estudo permitiu desenvolver um algoritmo funcional para análise de dados de LFP adquiridos por MEA, considerando diferentes leituras de organóides corticais. Além disso, utilizamos a linguagem matemática MatLab para implementar uma rotina de análise de matriz de dados, e foi possível fragmentar os dados brutos em múltiplos canais utilizando a transformada Wavelet. Desta forma, foi possível implementar e testar algoritmos de IA para avaliar os dados de múltiplos canais considerando os seguintes métodos de classificação: support vector machines (SVM), k-nearest neighbors algorithm (k-NN) e decision tree na categorização de sinais bioelétricos. Por meio da análise de desempenho em termos de acurácia, sensibilidade e especificidade, concluiu-se que a abordagem SVM apresentou resultados superiores na classificação. CONSIDERAÇÕES FINAIS: Os resultados desta pesquisa indicam preliminarmente que a aplicação de métodos de IA na forma de um algoritmo podem melhorar a forma de compreensão e análise de dados elétricos gerados por modelos celulares baseados em organóides corticiais no estudo de transtornos do neurodesenvolvimento. Além disso, este estudo prossegue ao empregar o mesmo princípio algorítmico, em conjunto com outras ferramentas matemáticas e computacionais, visando criar sistemas de análise de dados biológicos mais ágeis, precisos, pouco invasivos e economicamente acessíveis.

PALAVRAS-CHAVE: Síndrome de Rett; Neurodesenvolvimento; Organoide Cortical; Eletrofisiologia; Inteligência Artificial.