Visão geral
O aprendizado de máquina equipa a bioinformática com algoritmos que identificam automaticamente padrões em dados biológicos complexos e de alta dimensão, sem serem explicitamente programados com regras de domínio. O paradigma central é aprender com exemplos: dado um conjunto de dados de entradas e, às vezes, suas saídas correspondentes, o algoritmo constrói um modelo que generaliza para dados invisíveis. A diversidade de dados biológicos, sequências, estruturas, perfis de expressão, imagens, exige um kit de ferramentas igualmente diversificado que abrange classificação supervisionada, regressão, agrupamento e redução de dimensionalidade.
Conceitos-chave
Recursos são propriedades mensuráveis usadas como entradas, como composição de nucleotídeos, intensidades de pico ou valores de pixel de imagem. Rótulos são os resultados desejados em ambientes supervisionados, como estado da doença ou função genética. O conjunto de treinamento é usado para ajustar os parâmetros do modelo, o conjunto de validação para ajustar hiperparâmetros e o conjunto de teste para estimar o erro de generalização. Overfitting ocorre quando um modelo memoriza o ruído de treinamento em vez de aprender o sinal verdadeiro e é mitigado pela regularização, validação cruzada e arquiteturas de modelo mais simples. O dimensionamento de recursos, o tratamento de valores ausentes e o desequilíbrio de classes são considerações práticas que influenciam fortemente o desempenho no mundo real.
Fluxo de trabalho prático
Um projeto típico de aprendizado de máquina em bioinformática segue um pipeline estruturado. Considere a tarefa de classificar subtipos tumorais a partir de dados de expressão de RNA-seq. Primeiro, os dados brutos de contagem de um pipeline de transcriptômica são normalizados e filtrados para remover genes pouco expressos. O pesquisador extrai recursos - os próprios valores da expressão ou os 50 principais componentes principais para redução de dimensionalidade. Os dados rotulados são divididos em conjuntos de treinamento e teste (80/20), e um modelo de árvore com aumento de gradiente (XGBoost) é configurado com 100 árvores, profundidade máxima 6 e taxa de aprendizado 0,1. O modelo é treinado e avaliado por meio de validação cruzada estratificada de cinco vezes, com área sob a curva ROC (AUROC) como métrica primária. A importância do recurso é extraída para identificar os genes mais discriminativos. Um exemplo concreto: num estudo de adenocarcinoma pulmonar versus tecido normal, este pipeline identificou 15 genes com AUROC > 0,95 em dados retidos, incluindo marcadores conhecidos como NKX2-1 e SFTPC. Outra aplicação no mundo real é prever a resistência antimicrobiana a partir de dados de sequenciamento do genoma completo: um classificador florestal aleatório treinado em frequências k-mer de genomas bacterianos pode prever a resistência a antibióticos como a ciprofloxacina com mais de 90% de precisão, permitindo uma tomada de decisão clínica mais rápida do que os métodos baseados em cultura. O mesmo fluxo de trabalho padronizado se aplica à previsão da imunogenicidade de peptídeos, classificação do tipo celular a partir de RNA-seq unicelular e pontuação de patogenicidade variante em diversos estudos genômicos.
Aplicativos
O aprendizado de máquina permeia a bioinformática moderna. Ele classifica subtipos de tumores a partir de dados de microarranjos de DNA e expressão gênica, prevê estrutura da proteína a partir de sequências de aminoácidos e realiza identificação automatizada da população celular em citometria de fluxo. As variantes de aprendizagem profunda agora alcançam precisão de última geração na previsão da atividade dos elementos reguladores, patogenicidade das variantes e interações entre medicamentos e alvos. À medida que os conjuntos de dados biológicos crescem em escala e dimensionalidade, o aprendizado de máquina torna-se um componente cada vez mais indispensável do kit de ferramentas do bioinformático.
