🧬 Arabidopsis thaliana Gene Analysis

Uma interface interativa e atrativa para análise de genes do Arabidopsis thaliana usando Streamlit.

📋 Funcionalidades

1. 📊 Análise Exploratória

• Carregamento automático de arquivos FASTA
• Estatísticas gerais (total de sequências, comprimento médio, GC content, etc.)
• Distribuições visuais de comprimento e GC content
• Tabela de features extraídas

2. 🔬 Análise de Nucleotídeos

• Seleção de sequências individuais
• Contagem detalhada de nucleotídeos (A, T, C, G, N)
• Gráficos em barra e pizza
• Cálculo de GC content e AT content
• Heatmap comparativo de todas as sequências

3. 🤖 Machine Learning

• Preparação automática de dados
• Treinamento de modelo Random Forest
• Configuração ajustável de hiperparâmetros
• Métricas de desempenho (Acurácia, Precisão, Recall, F1-Score)
• Análise de importância de features
• Matriz de confusão
• Visualização de distribuições

4. 📈 Comparação de Sequências

• Matriz de correlação entre features
• Scatter plots interativos
• Explorador visual de features
• Estatísticas descritivas

🚀 Como Usar

1. Instalar dependências

pip install -r requirements.txt

2. Executar a aplicação

streamlit run frontend/frontend.py

3. Navegar pela interface

• Use a barra lateral para selecionar o tipo de análise
• Carregue seu arquivo FASTA
• Explore os resultados interativamente

📁 Estrutura do Projeto

Agro Bio/
├── Arabidopsis_thaliana.TAIR10.dna.chromosome.1.fa  # Arquivo de sequências FASTA
├── contagem-nucleotideos.py                          # Script de processamento
├── frontend/
│   └── frontend.py                                    # Interface Streamlit
├── requirements.txt                                   # Dependências Python
└── README.md                                          # Este arquivo

📊 Features Extraídas para ML

O modelo de Machine Learning utiliza as seguintes features:

• length: Comprimento da sequência (bp)
• A_freq: Frequência de Adenina (%)
• T_freq: Frequência de Timina (%)
• C_freq: Frequência de Citosina (%)
• G_freq: Frequência de Guanina (%)
• GC_content: Conteúdo GC (%)
• AT_content: Conteúdo AT (%)

🔧 Configuração do Modelo

Na seção de Machine Learning, você pode ajustar:

• Número de árvores (Random Forest)
• Profundidade máxima das árvores
• Amostras mínimas para split
• Amostras mínimas na folha

📈 Formato do Arquivo FASTA

O arquivo deve estar no formato FASTA padrão:

>sequência_1
ATCGATCGATCGATCGATCG
>sequência_2
GCTAGCTAGCTAGCTAGCTA

🎨 Design

A interface foi desenvolvida com:

• Streamlit: Framework web interativa
• Matplotlib & Seaborn: Visualizações de alta qualidade
• Plotly: Gráficos interativos (futuro)
• CSS personalizado: Estilo profissional

📝 Observações

• O modelo de ML classifica sequências como "Alto GC" ou "Baixo GC" (threshold: mediana)
• Os dados são normalizados antes do treinamento (StandardScaler)
• Total de 80% dos dados para treino e 20% para teste
• Random seed fixo (42) para reprodutibilidade

👨‍💻 Desenvolvido por

Antonio Pereira, 2026

📄 Licença

Livre para uso acadêmico e de pesquisa.