29abr2026
09:30 Defesa de Mestrado Sala 85 do IC2
Tema
Classificação Fracamente Supervisionada da Localização de Proteínas em Células Individuais
Aluno
Juliana Midlej do Espírito Santo
Orientador / Docente
Zanoni Dias - Coorientadores: Hélio Pedrini e Lucas Oliveira David
Breve resumo
As proteínas, macromoléculas fundamentais compostas por sequências de aminoácidos, desempenham funções biológicas essenciais, como o transporte de oxigênio, a proteção contra patógenos e a catálise de reações químicas.
Para que essas funções sejam executadas de forma adequada, as proteínas devem estar corretamente organizadas no interior da célula, uma vez que sua localização subcelular determina o acesso a substratos, parceiros moleculares e vias de sinalização específicas. Dessa forma, a localização subcelular das proteínas está intimamente associada às suas funções nos sistemas celulares, constituindo um fator-chave para a manutenção do funcionamento celular normal.
Este trabalho aborda o problema de classificação da localização subcelular de proteínas em células individuais a partir de imagens de microscopia confocal.
O crescimento contínuo e a curadoria constante de conjuntos de dados, como o Human Protein Atlas (HPA), viabilizam o desenvolvimento de modelos computacionais cada vez mais sofisticados para investigar a relação entre localização proteica e a função dos sistemas celulares. Neste contexto, este estudo propõe o uso de métodos de aprendizado fracamente supervisionado aliados a uma estratégia de treinamento com predição conformal, a fim de estimar a confiança das amostras e reduzir o ruído inerente aos rótulos em nível de imagem, com o objetivo de classificar a localização de proteínas em células individuais.
Os resultados experimentais demonstram que o alinhamento entre as tarefas de treinamento e inferência é determinante para o desempenho do modelo, com arquiteturas capazes de realizar predições conjuntas em nível de célula e de imagem superando abordagens puramente globais. A estratégia proposta de treinamento com predição conformal mostrou-se eficaz ao reduzir o ruído inerente da supervisão fraca, superando a necessidade de heurísticas globais de reponderação de classes. Adicionalmente, observou-se que o pré-treinamento autossupervisionado com DINO apresentou ganhos limitados no cenário de recortes de células individuais, sugerindo que sua eficácia depende fortemente do contexto das imagens.
Banca examinadora
Titulares:
| Zanoni Dias | IC/UNICAMP |
| Ronaldo Cristiano Prati | CMCC/UFABC |
| Emely Pujólli da Silva | IC/UNICAMP |
Suplentes:
| Gabriel Capiteli Bertocco | IC/UNICAMP |
| Rafael Soares Padilha | Microsoft |