Visão Geral
O aprendizado profundo estende as redes neurais clássicas empilhando muitas camadas ocultas, permitindo o aprendizado automático de representações hierárquicas a partir de dados brutos ou minimamente processados. Em bioinformática, esta abordagem tem se mostrado transformadora para tipos de dados com estrutura espacial ou sequencial inerente, sequências de DNA, estruturas de proteínas e imagens biomédicas. Modelos profundos descobrem características relevantes diretamente dos dados, evitando a necessidade de engenharia manual de características que tradicionalmente dominava o campo.
Métodos
Redes neurais convolucionais (CNN) aplicam filtros deslizantes para detectar padrões locais como motivos de ligação de fatores de transcrição em sequências ou características estruturais em mapas de contato de proteínas. Redes neurais recorrentes (RNN) e suas variantes com portas (LSTM, GRU) modelam dependências sequenciais e são usadas para prever estrutura secundária de RNA e localização de proteínas. Arquiteturas Transformer com mecanismos de autoatenção, exemplificadas por AlphaFold e DNABERT, capturam interações de longo alcance e estabeleceram novos padrões na predição de estruturas de proteínas e genômica regulatória. Redes neurais de grafos operam sobre grafos moleculares para predição de propriedades de fármacos. O treinamento desses modelos requer grandes conjuntos de dados rotulados, aceleração GPU e técnicas como dropout e normalização em lote para evitar overfitting.
Protocolo Prático
Um fluxo de trabalho típico de aprendizado profundo para bioinformática baseada em sequências começa com o pré-processamento de dados. Para uma tarefa de predição de sítios de splicing, o pesquisador coleta um conjunto balanceado de sequências de sítios de splicing verdadeiros e falsos (tipicamente 200–500 nucleotídeos centrados no limite éxon-íntron) de bancos de dados públicos como ENSEMBL ou GENCODE. Cada sequência é codificada one-hot em uma matriz binária de forma (4, comprimento_da_sequência). Os dados são divididos em conjuntos de treinamento, validação e teste (ex., 70/15/15). Um modelo CNN é construído em um framework como PyTorch ou TensorFlow: uma camada de entrada que corresponde às dimensões da sequência codificada, duas ou três camadas convolucionais 1D com 64–128 filtros de tamanho de kernel 8–12 e ativação ReLU, seguidas por max-pooling e dropout (taxa 0,3–0,5). Os mapas de características são achatados e passados por uma camada densa com 64 unidades antes de uma camada de saída softmax final. O modelo é compilado com o otimizador Adam (taxa de aprendizado 0,001) e treinado por até 100 épocas com parada antecipada, usando tamanhos de lote de 32–64. Após o treinamento, o modelo atinge mais de 95% de acurácia em dados de teste não vistos e pode ser aplicado em todo o genoma para prever novos sítios de splicing. Esta abordagem tem sido usada com sucesso para identificar sítios de splicing crípticos em genomas de câncer, revelando mutações que criam ou interrompem sinais de splicing e contribuem para a tumorigênese. A mesma arquitetura se generaliza para predição de sítios de ligação de fatores de transcrição usando dados ChIP-seq do ENCODE e identificação de sítios alvo de microRNA. Em um estudo emblemático, pesquisadores usaram uma CNN para prever especificidades de proteínas de ligação a RNA a partir de dados CLIP-seq, alcançando escores AUROC superiores a 0,93 e revelando motivos de ligação anteriormente desconhecidos associados a distúrbios neurológicos.
Aplicações
O aprendizado profundo impulsiona as previsões precisas do AlphaFold de estrutura de proteínas, interpreta leituras de sequenciamento de DNA para detecção de variantes e deconvolui padrões de expressão complexos de ensaios de microarranjos de DNA e expressão gênica. Também possibilita a análise de célula única, descoberta de fármacos e diagnóstico por imagem médica, estabelecendo-se como uma pedra angular da biologia computacional moderna.
