Aperçu
L’apprentissage automatique équipe la bioinformatique d’algorithmes qui identifient automatiquement des modèles dans des données biologiques complexes de haute dimension sans être explicitement programmés avec des règles de domaine. Le paradigme central consiste à apprendre à partir d’exemples : à partir d’un ensemble de données d’entrées et parfois de leurs sorties correspondantes, l’algorithme construit un modèle qui se généralise à des données invisibles. La diversité des données biologiques – séquences, structures, profils d’expression, images – exige une boîte à outils tout aussi diversifiée couvrant la classification supervisée, la régression, le regroupement et la réduction de dimensionnalité.
Concepts clés
Les Caractéristiques sont les propriétés mesurables utilisées comme entrées, telles que la composition des nucléotides, les intensités des pics ou les valeurs des pixels de l’image. Les étiquettes sont les résultats cibles dans des contextes supervisés, tels que l’état de la maladie ou la fonction des gènes. Le ensemble d’entraînement est utilisé pour ajuster les paramètres du modèle, le ensemble de validation pour ajuster les hyperparamètres et le ensemble de test pour estimer l’erreur de généralisation. Le surajustement se produit lorsqu’un modèle mémorise le bruit d’entraînement au lieu d’apprendre le vrai signal et est atténué par la régularisation, la validation croisée et des architectures de modèle plus simples. La mise à l’échelle des fonctionnalités, la gestion des valeurs manquantes et le déséquilibre des classes sont des considérations pratiques qui influencent fortement les performances du monde réel.
Flux de travail pratique
Un projet d’apprentissage automatique typique en bioinformatique suit un pipeline structuré. Considérez la tâche consistant à classer les sous-types de tumeurs à partir des données d’expression d’ARN-seq. Tout d’abord, les données brutes de comptage provenant d’un pipeline transcriptomique sont normalisées et filtrées pour éliminer les gènes faiblement exprimés. Le chercheur extrait les caractéristiques – soit les valeurs d’expression elles-mêmes, soit les 50 principaux composants pour la réduction de dimensionnalité. Les données étiquetées sont divisées en ensembles d’entraînement et de test (80/20), et un modèle d’arbre amélioré par gradient (XGBoost) est configuré avec 100 arbres, une profondeur maximale de 6 et un taux d’apprentissage de 0,1. Le modèle est entraîné et évalué à l’aide d’une validation croisée stratifiée quintuple, avec l’aire sous la courbe ROC (AUROC) comme mesure principale. L’importance des caractéristiques est extraite pour identifier les gènes les plus discriminants. Un exemple concret : dans une étude sur l’adénocarcinome du poumon par rapport aux tissus normaux, ce pipeline a identifié 15 gènes avec AUROC > 0,95 sur des données disponibles, y compris des marqueurs connus tels que NKX2-1 et SFTPC. Une autre application concrète consiste à prédire la résistance aux antimicrobiens à partir des données de séquençage du génome entier : un classificateur forestier aléatoire formé sur les fréquences k-mer des génomes bactériens peut prédire la résistance aux antibiotiques comme la ciprofloxacine avec une précision de plus de 90 %, permettant une prise de décision clinique plus rapide que les méthodes basées sur la culture. Le même flux de travail standardisé s’applique à la prédiction de l’immunogénicité des peptides, à la classification des types de cellules à partir de l’ARN unicellulaire et à la notation de la pathogénicité des variantes dans diverses études génomiques. ### Candidatures
L’apprentissage automatique imprègne la bioinformatique moderne. Il classe les sous-types de tumeurs à partir des données puces à ADN et expression génique, prédit la structure des protéines à partir de séquences d’acides aminés et effectue une identification automatisée de la population cellulaire en cytométrie en flux. Les variantes d’apprentissage profond atteignent désormais une précision de pointe dans la prévision de l’activité des éléments régulateurs, de la pathogénicité des variantes et des interactions médicament-cible. À mesure que les ensembles de données biologiques augmentent en échelle et en dimensionnalité, l’apprentissage automatique devient un élément de plus en plus indispensable de la boîte à outils du bioinformaticien.
