Ikhtisar
Pembelajaran mendalam memperluas jaringan saraf klasik dengan menumpuk banyak lapisan tersembunyi, memungkinkan pembelajaran representasi hierarkis secara otomatis dari data mentah atau yang diproses secara minimal. Dalam bioinformatika, pendekatan ini telah terbukti transformatif untuk tipe data dengan struktur spasial atau sekuensial yang melekat, sekuens DNA, struktur protein, dan citra biomedis. Model mendalam menemukan fitur-fitur relevan langsung dari data, menghindari kebutuhan rekayasa fitur manual yang secara tradisional mendominasi bidang ini.
Metode
Jaringan saraf konvolusional (CNN) menerapkan filter geser untuk mendeteksi pola lokal seperti motif pengikatan faktor transkripsi dalam sekuens atau fitur struktural dalam peta kontak protein. Jaringan saraf berulang (RNN) dan varian berpintunya (LSTM, GRU) memodelkan ketergantungan sekuensial dan digunakan untuk memprediksi struktur sekunder RNA dan lokalisasi protein. Arsitektur Transformer dengan mekanisme perhatian-diri, yang dicontohkan oleh AlphaFold dan DNABERT, menangkap interaksi jarak jauh dan telah menetapkan standar baru dalam prediksi struktur protein dan genomik regulasi. Jaringan saraf graf beroperasi pada graf molekuler untuk prediksi sifat obat. Pelatihan model-model ini memerlukan kumpulan data berlabel besar, akselerasi GPU, dan teknik seperti dropout dan normalisasi batch untuk menghindari overfitting.
Protokol Praktis
Alur kerja pembelajaran mendalam yang khas untuk bioinformatika berbasis sekuens dimulai dengan prapemrosesan data. Untuk tugas prediksi situs penyambungan, peneliti mengumpulkan kumpulan sekuens situs penyambungan benar dan palsu yang seimbang (biasanya 200–500 nukleotida yang berpusat pada batas ekson-intron) dari basis data publik seperti ENSEMBL atau GENCODE. Setiap sekuens dienkode one-hot menjadi matriks biner berbentuk (4, panjang_sekuens). Data dibagi menjadi set pelatihan, validasi, dan pengujian (mis., 70/15/15). Model CNN dibangun dalam kerangka kerja seperti PyTorch atau TensorFlow: lapisan input yang cocok dengan dimensi sekuens yang dienkode, dua atau tiga lapisan konvolusional 1D dengan 64–128 filter ukuran kernel 8–12 dan aktivasi ReLU, diikuti oleh max-pooling dan dropout (tingkat 0,3–0,5). Peta fitur diratakan dan dilewatkan melalui lapisan padat dengan 64 unit sebelum lapisan output softmax akhir. Model dikompilasi dengan pengoptimal Adam (tingkat pembelajaran 0,001) dan dilatih hingga 100 epoch dengan penghentian awal, menggunakan ukuran batch 32–64. Setelah pelatihan, model mencapai lebih dari 95% akurasi pada data uji yang tidak terlihat dan dapat diterapkan ke seluruh genom untuk memprediksi situs penyambungan baru. Pendekatan ini telah berhasil digunakan untuk mengidentifikasi situs penyambungan kriptik dalam genom kanker, mengungkap mutasi yang menciptakan atau mengganggu sinyal penyambungan dan berkontribusi pada tumorigenesis. Arsitektur yang sama digeneralisasi ke prediksi situs pengikatan faktor transkripsi menggunakan data ChIP-seq dari ENCODE dan identifikasi situs target microRNA. Dalam studi penting, peneliti menggunakan CNN untuk memprediksi spesifisitas protein pengikat RNA dari data CLIP-seq, mencapai skor AUROC di atas 0,93 dan mengungkap motif pengikatan yang sebelumnya tidak diketahui terkait dengan gangguan neurologis.
Aplikasi
Pembelajaran mendalam mendorong prediksi struktur protein AlphaFold yang akurat, menginterpretasi bacaan sekuensing DNA untuk deteksi varian, dan mendekonvolusi pola ekspresi kompleks dari uji mikroarray DNA dan ekspresi gen. Ini juga memungkinkan analisis sel tunggal, penemuan obat, dan diagnosis pencitraan medis, menjadikannya landasan biologi komputasional modern.
