Reposicionamento De Fármacos Para Câncer De Mama Triplo-Negativo Resistente Por Meio Da Integração Multiômica e Inteligência Artificial com Validação Experimental no Modelo Singênico 4T1
Bibliographic record
Abstract
O câncer de mama triplo-negativo (TNBC) corresponde a 15–20% dos diagnósticos de câncer de mama e apresenta prognóstico desfavorável, principalmente em decorrência da ausência de alvos terapêuticos específicos e do desenvolvimento frequente de quimiorresistência. Este projeto propõe uma abordagem integrativa para identificar fármacos reposicionáveis capazes de reverter a resistência terapêutica em TNBC, combinando análises multiômicas computacionais e validação experimental. Serão analisados dados públicos de transcriptômica single-cell de pacientes submetidas à quimioterapia neoadjuvante para a definição de assinaturas moleculares associadas à resistência. Essas assinaturas serão exploradas para priorização de compostos por meio de connectivity mapping, análise de redes regulatórias e algoritmos de inteligência artificial e machine learning. Durante estágio de pesquisa na McGill University, serão aplicados métodos avançados de inferência de redes gênicas e análise de elementos regulatórios epigenéticos para elucidar os mecanismos transcricionais subjacentes à resistência e refinar a seleção dos candidatos terapêuticos. A validação experimental incluirá a geração de linhagens celulares resistentes in vitro, ensaios de eficácia e reversão de resistência, e validação em modelo singênico murino 4T1, com avaliação de eficácia antitumoral, impacto metastático e análises imunohistoquímicas. Espera-se identificar de três a cinco fármacos reposicionáveis com potencial sinérgico à quimioterapia e capacidade de modular os programas moleculares associados à quimiorresistência, contribuindo para o avanço de estratégias terapêuticas no TNBC.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".