Visão Geral
Florestas aleatórias são um método de aprendizado ensemble que constrói múltiplas árvores de decisão durante o treinamento e combina suas previsões por votação majoritária (classificação) ou média (regressão). Cada árvore é treinada em uma amostra bootstrap diferente dos dados, e em cada divisão apenas um subconjunto aleatório das características é considerado, garantindo diversidade entre as árvores e reduzindo o overfitting. Em bioinformática, florestas aleatórias são populares por sua capacidade de lidar com dados de alta dimensão, resistência a ruído e pontuações de importância de características integradas que revelam quais preditores biológicos mais contribuem para as previsões.
Métodos
Bagging treina cada árvore em uma amostra bootstrap e calcula a média das previsões, reduzindo a variância sem aumentar o viés. Seleção aleatória de características em cada divisão garante que as árvores sejam descorrelacionadas, melhorando a generalização. Importância de características é medida pela diminuição média de impureza (Gini ou entropia) ou pela diminuição na precisão ao permutar valores de características. Erro out-of-bag (OOB) fornece uma estimativa de validação interna durante o treinamento sem necessidade de um conjunto de validação separado. Florestas aleatórias lidam naturalmente com valores ausentes e dados mistos.
Protocolo Prático
Um fluxo de trabalho de floresta aleatória para classificação de câncer começa com um conjunto de dados de expressão gênica de 20.000 genes e 500 amostras com subtipos de câncer conhecidos. Os dados são divididos em 70% treinamento e 30% teste. Uma floresta aleatória é construída com 1.000 árvores, amostrando sqrt(p) características em cada divisão e treinando cada árvore em uma amostra bootstrap. O erro OOB é monitorado durante o treinamento para confirmar que 1.000 árvores são suficientes: o erro OOB se estabiliza em torno de 500 árvores. A importância das características é classificada, revelando os 50 principais genes que distinguem os subtipos. Os genes principais apontam para vias biológicas conhecidas específicas de cada subtipo. Após validação em um conjunto de teste independente, o modelo atinge 92% de acurácia em comparação com 85% de uma SVM linear. O modelo é salvo como um arquivo serializado para implantação clínica. Os valores de probabilidade de classe para cada previsão são calibrados através do escalonamento de Platt para fornecer pontuações de confiança interpretáveis. Em uma aplicação de descoberta de fármacos, uma floresta aleatória foi treinada com 10.000 moléculas pequenas de atividades conhecidas contra um alvo de quinase, usando 2.000 descritores moleculares. O modelo classificou corretamente 88% dos compostos de teste, e as principais características — peso molecular, LogP e contagem de doadores de ligação de hidrogênio — estavam alinhadas com o conhecimento farmacológico estabelecido. O modelo previu 15 novos compostos ativos de uma biblioteca de 50.000 compostos, dos quais 12 confirmaram atividade em ensaios bioquímicos, uma taxa de acerto de 80% em comparação com 20% de uma triagem aleatória.
Aplicações
Florestas aleatórias classificam subtipos de câncer a partir de perfis de expressão gênica e qPCR, preveem resposta a fármacos com base em dados genômicos e proteômicos, e identificam assinaturas de biomarcadores em dados de espectrometria de massas. Também detectam outliers no controle de qualidade de experimentos de alto rendimento e priorizam mutações condutoras em dados de sequenciamento genômico completo.
