Integração de Parâmetros Físico-Químicos e Machine Learning para a Identificação de Epítopos

Este estudo propõe um método para classificar epítopos em três categorias: MHC classe I, MHC classe II e epítopos de células B, utilizando dados do Immune Epitope Database (IEDB) e técnicas de aprendizado de máquina. A classificação de epítopos é importante para o desenvolvimento de vacinas e terapias imunológicas, pois permite identificar alvos específicos e prever respostas imunes. Parâmetros físico-químicos foram usados para representar as sequências de aminoácidos. O modelo Random Forest (RF) obteve os melhores resultados, com acurácia de 84,32% e F1-score macro de 0,8276, destacando-se na classificação de MHC I (F1-score de 0,9557).