escopo, referências e draft da rubrica

README.md

@@ -0,0 +1,14 @@
+# Sprint session 4o semestre 2024/2
+
+Tema: **CNN para detecção de deficiência de recombinação homologa (HRD)**
+
+Empresa parceira: **DASA**
+
+## Documentos relacionados
+
+* [Escopo do projeto](escopo.md)
+* [Rubrica](rubrica.md)
+
+## Referências
+
+* [*1.* Pozzorini, Christian et al. **"GIInger predicts homologous recombination deficiency and patient response to PARPi treatment from shallow genomic profiles"** *Cell reports. Medicine* vol. 4,12 (2023): 101344. doi:10.1016/j.xcrm.2023.101344](./referencias/gIInger_paper.pdf)

TODO.md

@@ -0,0 +1,13 @@
+# TODO
+
+[ ] Comitê de ética aprovando o estudo com os dados já coletados. Precisa? Falar com o Miranda. 
+[ ] Contratos de confidencialidade com quem for mexer com esses dados - o que seria todos os alunos e professores do sprint. Falar com o pessoal da DASA
+[ ] disponibilização dos dados em algum local acessível porém privado. Falar com o pessoal da DASA. 
+
+Início da sprint session: 18/11/2021
+
+Requisitos de: 
+
+[ ] MLEng / CD 
+[ ] MLOps
+[ ] Montar rubrica

escopo.md

@@ -0,0 +1,40 @@
+**CNN para detecção de deficiência de recombinação homologa (HRD)**
+
+Felipe Aristides Simao Neto, DASA. 
+
+**Objetivo:**
+
+O objetivo deste projeto é desenvolver uma *Convolutional neural
+network* (CNN) para a detecção e análise da Deficiência de Recombinação
+Homóloga (HRD) em amostras de câncer a partir de dados de sequenciamento
+genético de nova geração (NGS). HRD é uma condição em que a via de
+reparo de DNA através da recombinação homóloga está comprometida,
+levando à instabilidade genômica e aumentando a susceptibilidade a
+determinadas terapias, como os inibidores de PARP. Esta CNN poderá fazer
+parte de uma pipeline para identificar o status de HRD em pacientes com
+câncer, permitindo estratégias de tratamento personalizadas e melhorando
+os resultados clínicos.
+
+**Escopo:**
+
+Desenvolvimento de uma CNN para identificação do status de HRD,
+implementada em Python. Dados para treinamento e validação da CNN serão
+disponibilizados em formato de heatmaps de duas dimensões mostrando
+dados normalizados de cobertura, com cada cromossomo representado por
+uma fileira e colunas representando áreas de 3 milhões de bases no
+genoma humano (Figura 1B). Como referência, será utilizado o algoritmo
+GIInger da SOPHiA genetics publicado no final de 2023 (Figura 1C).
+
+![](img/cnn.png)
+
+**Figura 1** -- Exemplo de heatmaps e CNN implementadas no GIInger \[1\].
+
+
+**Entregáveis:**
+
+Uma CNN implementada em Python capaz de calcular o status HRD em
+amostras de NGS
+
+**Referencias**
+
+*1.* Pozzorini, Christian et al. **"GIInger predicts homologous recombination deficiency and patient response to PARPi treatment from shallow genomic profiles"** *Cell reports. Medicine* vol. 4,12 (2023): 101344. [doi:10.1016/j.xcrm.2023.101344](doi:10.1016/j.xcrm.2023.101344)

rubrica.md

@@ -0,0 +1,79 @@
+# Rubrica
+
+A rubrica deste projeto será dividida em algumas categorias: 
+
+## Compreensão do problema
+
+[ ] Todos os membros da equipe precisam participar do curso ministrado pela equipe da DASA.
+
+[ ] A equipe precisa entregar um documento respondendo as seguintes perguntas:  
+
+- O que é homologous recombination deficiency (HRD) e por que é importante no tratamento do câncer?
+- O que é GIInger e como ele aborda as limitações dos métodos existentes?
+- O que é genomic instability index (GII) e qual sua relação com HRD?
+- Como foi validado o GIInger e quais foram os resultados?
+
+As respostas para estas perguntas precisam ser feitas depois da leitura do artigo: Pozzorini, Christian et al. **"GIInger predicts homologous recombination deficiency and patient response to PARPi treatment from shallow genomic profiles."** *Cell reports. Medicine* vol. 4,12 (2023): 101344. doi:10.1016/j.xcrm.2023.101344
+
+## Análise exploratória de dados
+
+[ ] A equipe de MLEng precisa entregar um relatório com a análise exploratória dos dados, respondendo as seguintes perguntas:
+
+- Qual o tamanho do dataset?
+- Quais são as variáveis disponíveis?
+- Quais os tipos de dados disponíveis?
+- Quais são as variáveis de entrada e saída do modelo?
+- Qual a distribuição das variáveis?
+
+## Pré-processamento e armazenamento dos dados
+
+A equipe da DASA irá disponibilizar o dataset para treinamento e validação em algum serviço de armazenamento de dados privado.
+
+[ ] A equipe de MLOps precisa garantir que os dados estejam disponíveis e acessíveis para a equipe de MLEng. Todo o processo de cópia do dataset para o ambiente de treinamento deve ser automatizado. A equipe de MLOps deve garantir que os dados estejam disponíveis em um ambiente seguro e privado, e que estejam sempre atualizados para a equipe de MLEng. O script de cópia do dataset deve ser parametrizável considerando os cenários de treinamento e validação do modelo. 
+
+[ ] Todo pipeline de pré-processamento dos dados deve ser automatizado e documentado.
+
+[ ] Assim como o código, os dados também precisam fazer uso de um sistema de versionamento. É de responsabilidade da equipe de MLOps definir o sistema de versionamente. Mas, é de responsabilidade de ambas as equipes, MLOps e MLEng, o correto uso do mesmo.
+
+## Modelagem
+
+A equipe do Insper (MLEng e MLOps) precisam entender como funciona e como implementar uma CNN. 
+
+[ ] A equipe do Insper precisa executar pelo menos um dos dois tutoriais abaixo para entender como funciona uma CNN e como implementar uma em Python.
+
+* https://www.tensorflow.org/tutorials/images/cnn
+* https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html
+
+O tutorial que foi executado precisa estar no repositório do projeto em uma pasta específica. 
+
+[ ] A equipe do Insper precisa entregar um documento que respondendo as seguintes perguntas:
+
+- O que é uma CNN?
+- Como funciona uma CNN?
+- Como acontece a extração de características em uma CNN?
+- Quais são as principais camadas de uma CNN?
+- O que as camadas de Convolução, Padding e Pooling fazem?
+- O que é uma camada Dense, Dropout, ReLU e Flatten?
+
+[ ] A equipe de MLEng deve implementar uma CNN qualquer para validar o processo de construção do modelo e obter um modelo baseline. 
+
+[ ] O modelo baseline deve ser salvo no repositório de modelos do projeto. A equipe de MLOps deve providenciar um repositório de modelos e ferramentas para versionamento dos modelos. Este respositório deve permitir a recuperação de qualquer modelo e sua respecitva versão em qualquer momento.
+
+[ ] A equipe de MLEng deve implementar a CNN descrita no artigo de referência e comparar os resultados com o modelo baseline. 
+
+[ ] A equipe de MLEng deve implementar um modelo de classificação de HRD utilizando uma CNN.
+
+
+## Avaliação e apresentação dos resultados
+
+
+
+## Deploy do modelo
+
+[ ] Os modelos desenvolvidos pela equipe do Insper devem ser armazenados em algum serviço de armazenamento e devem ter um controle de versão. Este controle de versão deve permitir recuperar qualquer versão do modelo pré-existente. 
+
+[ ] A equipe do Insper deve desenvolver um site web para demonstrar o uso do modelo. Um site onde a partir do upload do um heatmap apresentar a tomada de decisão sobre o mesmo. A equipe do Insper deve se organizar para decidir quem será responsável por este componente. 
+
+
+## Entregáveis e estrutura dos repositórios
+