Integração Multiômica e Predição por Machine Learning do Tecido Placentário de Ratas Portadoras do Tumor Walker-256

A placenta tem como função primordial garantir o desenvolvimento sadio da prole, através de funções como barreira seletiva e de comunicação materno-fetal. Casos de câncer associado à gestação ocorrem em aproximadamente 1:1000 gestações, com incidência crescente nos últimos anos. Essa associação compromete a saúde materna e fetal, resultando em complicações como baixo peso ao nascer e perda gestacional, frequentemente por disfunções placentárias. Apesar da relevância clínica, a compreensão molecular das interações entre tumor e placenta permanece limitada. Este projeto propõe desenvolver um modelo de inteligência artificial baseado em Machine Learning para integração de dados multiômicos (transcriptômicos, proteômicos e metabolômicos) de placentas de ratas Wistar prenhes, portadoras (ou não) de tumor Walker-256. Serão realizados três experimentos independentes com 20 animais cada (n=30 por grupo: controle e tumor), com coleta de placentas no 20º dia gestacional para análises ômicas. Os dados serão utilizados para treinar modelos de aprendizado de máquina incorporando técnicas de Explainable AI (XAI), como SHAP e Integrated Gradients, permitindo identificar padrões complexos e biomarcadores discriminantes entre os grupos. Espera-se estabelecer correlações multi-ômicas que apontem mecanismos sistêmicos da interação tumor-placenta, identificar alvos moleculares para futuras validações funcionais e desenvolver uma ferramenta computacional aplicável a outras condições gestacionais, contribuindo para a translação clínica do conhecimento gerado e ampliando a compreensão das alterações moleculares placentárias em contexto tumoral.