Descripción general
El aprendizaje automático equipa a la bioinformática con algoritmos que identifican automáticamente patrones en datos biológicos complejos y de alta dimensión sin estar programados explícitamente con reglas de dominio. El paradigma central es aprender de los ejemplos: dado un conjunto de datos de entradas y, a veces, sus correspondientes salidas, el algoritmo construye un modelo que generaliza a datos invisibles. La diversidad de datos biológicos (secuencias, estructuras, perfiles de expresión, imágenes) exige un conjunto de herramientas igualmente diverso que abarque clasificación supervisada, regresión, agrupación y reducción de dimensionalidad.
Conceptos clave
Características son las propiedades medibles utilizadas como entradas, como la composición de nucleótidos, las intensidades de los picos o los valores de píxeles de la imagen. Las etiquetas son los resultados objetivo en entornos supervisados, como el estado de la enfermedad o la función genética. El conjunto de entrenamiento se utiliza para ajustar los parámetros del modelo, el conjunto de validación para ajustar los hiperparámetros y el conjunto de prueba para estimar el error de generalización. El sobreajuste ocurre cuando un modelo memoriza el ruido de entrenamiento en lugar de aprender la señal verdadera y se mitiga mediante regularización, validación cruzada y arquitecturas de modelo más simples. El escalado de funciones, el manejo de valores faltantes y el desequilibrio de clases son consideraciones prácticas que influyen fuertemente en el rendimiento en el mundo real.
Flujo de trabajo práctico
Un proyecto típico de aprendizaje automático en bioinformática sigue un proceso estructurado. Considere la tarea de clasificar subtipos de tumores a partir de datos de expresión de RNA-seq. En primer lugar, los datos de recuento sin procesar de un proceso de transcriptómica se normalizan y filtran para eliminar genes poco expresados. El investigador extrae características, ya sea los valores de expresión en sí o los 50 componentes principales principales para la reducción de dimensionalidad. Los datos etiquetados se dividen en conjuntos de entrenamiento y prueba (80/20), y se configura un modelo de árbol potenciado por gradiente (XGBoost) con 100 árboles, una profundidad máxima de 6 y una tasa de aprendizaje de 0,1. El modelo se entrena y evalúa mediante una validación cruzada estratificada de cinco veces, con el área bajo la curva ROC (AUROC) como métrica principal. Se extrae la importancia de las características para identificar los genes más discriminativos. Un ejemplo concreto: en un estudio de adenocarcinoma de pulmón versus tejido normal, este proceso identificó 15 genes con AUROC > 0,95 en datos retenidos, incluidos marcadores conocidos como NKX2-1 y SFTPC. Otra aplicación del mundo real es predecir la resistencia a los antimicrobianos a partir de datos de secuenciación del genoma completo: un clasificador forestal aleatorio entrenado en frecuencias k-mer de genomas bacterianos puede predecir la resistencia a antibióticos como la ciprofloxacina con más del 90% de precisión, lo que permite una toma de decisiones clínicas más rápida que los métodos basados en cultivos. El mismo flujo de trabajo estandarizado se aplica a la predicción de la inmunogenicidad de los péptidos, la clasificación de tipos de células a partir de secuencias de ARN unicelulares y la puntuación de patogenicidad de variantes en diversos estudios genómicos.
Aplicaciones
El aprendizaje automático impregna la bioinformática moderna. Clasifica subtipos de tumores a partir de datos de microarrays de ADN y expresión genética, predice estructura de proteínas a partir de secuencias de aminoácidos y realiza una identificación automatizada de poblaciones celulares en citometría de flujo. Las variantes de aprendizaje profundo ahora logran una precisión de vanguardia en la predicción de la actividad de los elementos reguladores, la patogenicidad de las variantes y las interacciones entre fármacos y objetivos. A medida que los conjuntos de datos biológicos crecen en escala y dimensionalidad, el aprendizaje automático se convierte en un componente cada vez más indispensable del conjunto de herramientas del bioinformático.
