Ikhtisar
Pembelajaran mesin melengkapi bioinformatika dengan algoritme yang secara otomatis mengidentifikasi pola dalam data biologis berdimensi tinggi yang kompleks tanpa diprogram secara eksplisit dengan aturan domain. Paradigma utamanya adalah belajar dari contoh: dengan mempertimbangkan kumpulan data masukan dan terkadang keluaran yang sesuai, algoritme akan membangun model yang menggeneralisasi data yang tidak terlihat. Keberagaman data biologis – urutan, struktur, profil ekspresi, gambar – memerlukan perangkat yang sama beragamnya yang mencakup klasifikasi yang diawasi, regresi, pengelompokan, dan reduksi dimensi.
Konsep Utama
Fitur adalah properti terukur yang digunakan sebagai masukan, seperti komposisi nukleotida, intensitas puncak, atau nilai piksel gambar. Label adalah hasil target dalam rangkaian yang diawasi, seperti status penyakit atau fungsi gen. set pelatihan digunakan untuk menyesuaikan parameter model, set validasi untuk menyesuaikan hyperparameter, dan set pengujian untuk memperkirakan kesalahan generalisasi. Overfitting terjadi ketika model mengingat gangguan pelatihan alih-alih mempelajari sinyal sebenarnya dan diatasi dengan regularisasi, validasi silang, dan arsitektur model yang lebih sederhana. Penskalaan fitur, penanganan nilai yang hilang, dan ketidakseimbangan kelas adalah pertimbangan praktis yang sangat memengaruhi performa di dunia nyata.
Alur Kerja Praktis
Proyek pembelajaran mesin pada umumnya dalam bioinformatika mengikuti alur yang terstruktur. Pertimbangkan tugas mengklasifikasikan subtipe tumor dari data ekspresi RNA-seq. Pertama, data jumlah mentah dari jalur transkriptomik dinormalisasi dan disaring untuk menghilangkan gen yang berekspresi rendah. Peneliti mengekstrak fitur, baik nilai ekspresi itu sendiri atau 50 komponen utama teratas untuk pengurangan dimensi. Data berlabel dibagi menjadi set pelatihan dan pengujian (80/20), dan model pohon yang ditingkatkan gradien (XGBoost) dikonfigurasi dengan 100 pohon, kedalaman maksimum 6, dan kecepatan pembelajaran 0,1. Model dilatih dan dievaluasi menggunakan validasi silang lima kali lipat bertingkat, dengan area di bawah kurva ROC (AUROC) sebagai metrik utama. Kepentingan fitur diekstraksi untuk mengidentifikasi gen yang paling diskriminatif. Contoh nyata: dalam penelitian adenokarsinoma paru versus jaringan normal, jalur ini mengidentifikasi 15 gen dengan AUROC > 0,95 pada data yang disimpan, termasuk penanda yang diketahui seperti NKX2-1 dan SFTPC. Penerapan lain di dunia nyata adalah memprediksi resistensi antimikroba dari data pengurutan seluruh genom: pengklasifikasi hutan acak yang dilatih pada frekuensi k-mer dari genom bakteri dapat memprediksi resistensi terhadap antibiotik seperti ciprofloxacin dengan akurasi lebih dari 90%, sehingga memungkinkan pengambilan keputusan klinis lebih cepat dibandingkan metode berbasis kultur. Alur kerja standar yang sama berlaku untuk prediksi imunogenisitas peptida, klasifikasi tipe sel dari RNA-seq sel tunggal, dan penilaian patogenisitas varian di berbagai studi genom.
Aplikasi
Pembelajaran mesin meresap ke dalam bioinformatika modern. Ini mengklasifikasikan subtipe tumor dari data microarray DNA dan ekspresi gen, memprediksi struktur protein dari urutan asam amino, dan melakukan identifikasi populasi sel otomatis dalam flow cytometry. Varian pembelajaran mendalam kini mencapai akurasi canggih dalam memprediksi aktivitas elemen regulasi, patogenisitas varian, dan interaksi target obat. Seiring dengan bertambahnya skala dan dimensi kumpulan data biologis, pembelajaran mesin menjadi komponen yang semakin diperlukan dalam perangkat bioinformatika.
