IDENTIFICAÇÃO DE BIOMARCADORES A PARTIR DA APLICAÇÃO DE ALGORITMOS DE INTELIGÊNCIA ARTIFICIAL PARA CLASSIFICAÇÃO DE REGISTROS ELETROFISIOLÓGICOS DE ORGANÓIDES CORTICAIS DERIVADOS DE CÉLULAS DE PACIENTES COM SÍNDROME DE RETT

INTRODUÇÃO: Este trabalho tratou da classificação de sinais LFP (Local Field Potential) gerados por organoides corticais, derivados de células de pacientes com transtornos do neurodesenvolvimento, adquiridos pela técnica de matrizes multieletrodos (MEA) após a aplicação da transformada wavelet no processo de eliminação de ruídos em sinais brutos. O LFP, adquirido por MEA, se mostrou um método eficaz para captação, análise e estudo da atividade elétrica do sistema nervoso central. Contudo, após a aquisição, os registros LFP encontram-se contaminados por eventos elétricos não locais e não neurais, o que impossibilitaria a precisa interpretação dos sinais originais. OBJETIVOS: Para atenuar os ruídos no sinal bruto de LFP adquiridos por MEA, aplicou-se neste trabalho um algoritmo que implementa as transformadas wavelets, capaz de decompor o sinal ruidoso e, removendo as interferências, retornar o sinal original, ou com propriedades próximas ao do original. Além disso, classificou-se os sinais bioelétricos utilizando algoritmos de SVM (Support Vector Machines). MATERIAIS E MÉTODO: Para desenvolver este trabalho, tivemos à disposição dados de LFP de 768 canais, cada um com 240 segundos de gravação, adquiridos de uma MEA por um software específico (Maestro MEA – Axion Biosystems) e salvos em um uma matriz única de quarto dimensões (disponibilizados, em colaboração, pela Universidade da Califórnia San Diego – UCSD). Após a conversão em uma entrada válida, submetemos a matriz quadridimensional ao algoritmo implementado, o qual aplicou-se uma transformada wavelet e, em seguida, classificou os dados utilizando SVM. RESULTADOS: A remoção dos ruídos dos sinais brutos de LFP utilizando transformadas wavelet antes da classificação dos sinais bioelétricos melhorou a acurácia da técnica de aprendizagem de máquina, elevando sua validação de 46,3% para 68,1%, demonstrando a importância da remoção dos ruídos antes da classificação dos sinais, bem como a viabilidade da técnica na detecção de padrões em sinais de LFP adquiridos por MEA. CONSIDERAÇÕES FINAIS: O estudo e as aplicações das transformadas Wavelets e das técnicas de aprendizagem de máquina englobam um vasto campo em diversos âmbitos da prática científica. Neste breve trabalho além de utilizarmos as wavelets como ferramenta para remoção dos ruídos que contaminam sinais bioelétricos, utilizou-se algoritmos de identificação e classificação de padrões de sinais bioelétricos. Em continuidade à este trabalho, utilizar-se-á o mesmo princípio algorítmico, associado à outras ferramentas matemáticas e computacionais, para elaborar-se sistemas de diagnósticos rápidos, precisos, minimamente invasivos e baratos.

PALAVRAS-CHAVE: Support Vector Machines; Transformada Wavelet; Organoide Cortical; Matriz de Múltiplos Eletrodos; Eletrofisiologia.