Visão geral
A aprendizagem supervisionada usa um conjunto de dados de pares de entrada-saída, onde a resposta correta é conhecida, para treinar um modelo que pode prever a saída para entradas novas e invisíveis. Na bioinformática, esse paradigma mapeia naturalmente problemas como classificar uma amostra de tecido como cancerosa ou saudável, prever se uma variante genética é patogênica ou atribuir uma função a uma proteína não caracterizada. O modelo aprende os limites de decisão que separam as classes no espaço de recursos, guiado por uma função de perda que penaliza erros de previsão.
Métodos
A regressão logística modela a probabilidade de pertencimento à classe e continua sendo uma linha de base para a classificação binária, especialmente quando a interpretabilidade é valorizada. Máquinas de vetores de suporte constroem separadores de hiperplanos com margem máxima e apresentam bom desempenho em configurações de alta dimensão típicas de dados ômicos. Florestas aleatórias agregam muitas árvores de decisão treinadas em amostras inicializadas e fornecem medidas integradas de importância de recursos. Árvores com aumento de gradiente (XGBoost, LightGBM) corrigem iterativamente erros do antecessor e geralmente vencem competições de dados estruturados. Redes neurais com camadas ocultas podem aprender limites não lineares complexos, mas exigem mais dados e regularização cuidadosa. Todos os métodos se beneficiam do ajuste do peso da classe ou da reamostragem quando as classes estão desequilibradas.
Protocolo Prático
Um fluxo de trabalho prático de aprendizado supervisionado para classificação de expressão gênica começa com o carregamento da matriz de expressão, onde as linhas representam genes e as colunas representam amostras de pacientes. Os dados são primeiro normalizados usando contagens por milhão transformadas em log (log-CPM) ou normalização de quantil. Um conjunto de dados típico pode conter 20.000 características genéticas em 100 amostras, exigindo validação cuidadosa. O pesquisador divide os dados em conjuntos de treinamento (70%), validação (15%) e teste (15%), preservando as proporções das classes por meio da estratificação. Um classificador florestal aleatório com 500 árvores é treinado no conjunto de treinamento. A validação cruzada de cinco vezes no conjunto de treinamento avalia a estabilidade: o modelo é ajustado em quatro dobras e avaliado na dobra mantida, repetido cinco vezes, produzindo uma precisão média de validação cruzada. Depois de confirmar que o desempenho da validação cruzada é aceitável, o modelo é treinado novamente no conjunto de treinamento completo e avaliado uma vez no conjunto de teste retido. As pontuações de importância das características da floresta treinada revelam quais genes discriminam mais fortemente as classes. Os 20 genes mais bem classificados são inspecionados em relação a vias biológicas conhecidas por meio de análise de enriquecimento KEGG ou Reactome para verificar a plausibilidade mecanicista. Este fluxo de trabalho tem sido usado para desenvolver assinaturas prognósticas multigênicas para subtipos de câncer de mama, onde um painel de 50 genes estratificou pacientes em grupos de risco com resultados de sobrevivência significativamente diferentes. A mesma abordagem se aplica à classificação de fenótipos de resposta a medicamentos a partir de conjuntos de dados farmacogenômicos e à previsão de variantes patogênicas a partir de características genômicas.
Aplicativos
O aprendizado supervisionado classifica patógenos bacterianos usando marcadores genômicos em genética bacteriana, prevê o prognóstico do paciente em bioquímica do câncer e identifica genes diferencialmente expressos a partir de dados de microarranjos de DNA e expressão gênica. Também potencializa o apoio à decisão clínica, estratificando os pacientes em grupos de risco e anotando elementos regulatórios em todo o genoma.
