Modelli di Machine Learning per la predizione della pluripotenza in cellule staminali

Questa tesi esplora l'applicazione di algoritmi di Machine Learning allo studio della differenziazione cellulare. A partire da esperimenti sulle cellule staminali embrionali di topo (ESC), è stato analizzato il processo attraverso cui la cellula perde il suo stato indifferenziato ponendo il quesito su quale fattore fosse determinante per la transizione e il motivo per il quale in ogni lineage questo avvenga in tempi diversi. L'approccio iniziale basato sull'analisi manuale dei dati non ha rivelato correlazioni significative tra le caratteristiche della cellula madre e il destino differenziativo della progenie. Per approfondire la questione sono quindi stati implementati tre modelli computazionali: Random Forest Classifier, Gradient Boosting Classifier, Support Vector Machines. L'obiettivo è stato identificare i fattori predittivi della transizione da stato pluripotente a differenziato e valutare le prestazioni comparative degli algoritmi. I risultati hanno mostrato che i modelli di Machine Learning hanno utilizzato le informazioni riguardanti la fluorescenza, direttamente correlata alla pluripotenza, e l'area della cellula come fattori principali che permettono di predire se la cellula della generazione successiva differenzierà. Questo lavoro si presta quindi a introdurre dei metodi computazionali per investigare correlazioni non direttamente evidenti con l'intento di ampliare le possibilità di ricerca nel campo delle cellule staminali pluripotenti.