Projeto de Classificação de Sequências de DNA 🧬

Desenvolvimento de um modelo capaz de extrair caracteristicas de um DNA como o tipo de proteina que ele produz ou o animal a qual pertence

Resumo do Projeto

Este projeto implementa dois modelos de aprendizado de máquina para classificar sequências de DNA. Eles determinam a proteína que a sequência produz e a espécie a que pertence. A aplicação está disponível em gene-classification.streamlit.app.

Dados Utilizados 📊

• Dados de sequências de DNA de chimpanzés, cães e humanos.
• Categorias de proteínas: G Protein, Tyrosine Kinase, Tyrosine Phosphatase, Synthetase, Synthase, Ion Channel, Transcription Factor.

Processamento dos Dados ⚙️

• Criação de k-mers para transformar sequências de DNA em recursos utilizáveis.
• Uso de CountVectorizer para converter sequências de k-mers em uma matriz de contagem de n-grams.

Modelos de Classificação 🤖

1. Classificação de Espécies:

   • Modelo: LogisticRegression.
   • Objetivo: Classificar a espécie da sequência de DNA.

2. Classificação de Proteínas:

   • Modelo: NaiveBayes.
   • Objetivo: Determinar a proteína produzida pela sequência de DNA.

Treinamento e Avaliação 📚

• Separação dos dados em conjuntos de treino e teste.
• Avaliação baseada em precisão, tempo de treinamento e previsão.
• Uso de visualizações para análise de desempenho.

Conclusão e Observações 🔍

• A LogisticRegression foi eficiente para classificar espécies, capturando padrões distintos em sequências de DNA.
• NaiveBayes mostrou-se adequado para classificar proteínas, dada a natureza estatística dos dados.

Como Usar a Aplicação 🌐

Acesse gene-classification.streamlit.app, faça o upload da sequência de DNA e obtenha a classificação instantânea.