Visão Geral

Máquinas de vetores de suporte (SVM) são modelos de aprendizado supervisionado que encontram o hiperplano que maximiza a margem entre classes em um espaço de alta dimensão. Ao operar apenas com os vetores de suporte — os pontos de dados mais próximos da fronteira de decisão — as SVMs alcançam generalização robusta mesmo quando o número de características excede em muito o número de amostras. Combinadas com funções kernel, as SVMs capturam relações não lineares sem transformar explicitamente os dados, tornando-as particularmente eficazes para classificação de expressão gênica, predição de interações proteína-proteína e diagnóstico baseado em padrões de metilação.

Métodos

SVMs lineares encontram um hiperplano separador no espaço de características original, apropriado quando as classes são aproximadamente separáveis linearmente. O truque do kernel projeta os dados em um espaço de dimensão superior usando funções como kernel radial (RBF), polinomial ou sigmoide, permitindo fronteiras de decisão não lineares. SVMs de margem suave permitem classificações erradas através de um parâmetro de custo C, equilibrando a maximização da margem com o erro de treinamento. SVMs com ponderação de classe abordam o desequilíbrio de classes atribuindo penalidades mais altas à classificação incorreta da classe minoritária. A seleção de parâmetros (C, gamma para RBF) é tipicamente feita por busca em grade com validação cruzada.

Protocolo Prático

Um fluxo de trabalho SVM para classificação de câncer baseada em metilação começa com dados de metilação de DNA de 450.000 sítios CpG de 200 amostras tumorais e 100 normais. Os dados são normalizados por normalização quantílica e as características de baixa variância são filtradas, deixando 50.000 sondas informativas. PCA é aplicada para reduzir a dimensionalidade a 100 componentes que explicam 70% da variância. Os dados são divididos em 70% treinamento e 30% teste, estratificados por status da doença. Uma SVM com kernel RBF é treinada; os hiperparâmetros C (faixa 0,1–1000) e gamma (faixa 0,0001–0,1) são otimizados por busca em grade com validação cruzada de 5 dobras, selecionando o par que maximiza a AUC. O modelo otimizado atinge AUC de 0,94 no conjunto de teste. Os coeficientes do modelo são inspecionados para identificar as regiões CpG mais influentes, mapeadas para promotores e enhancers de genes. O teste de permutação é usado para avaliar a significância estatística do desempenho de classificação. Em uma aplicação de descoberta de biomarcadores sanguíneos, SVMs classificaram amostras de pacientes com Alzheimer de controles saudáveis usando dados de metilação de sangue periférico, alcançando 88% de precisão com 25 regiões CpG biomarcadoras. Essas regiões estavam localizadas em genes envolvidos na plasticidade sináptica e neuroinflamação, fornecendo tanto uma ferramenta de diagnóstico quanto insights mecanicistas. O modelo foi validado em uma coorte independente de 400 pacientes, mantendo 85% de precisão e demonstrando robustez em todos os estágios da doença.

Aplicações

SVMs classificam tumores por tipo a partir de dados de expressão gênica, preveem interações proteína-proteína a partir de características de sequência, distinguem estágios patológicos em dados de microscopia e classificam a atividade farmacológica de compostos na descoberta de fármacos. Sua capacidade de lidar com dados de muitas características e poucas amostras as torna uma escolha preferida em toda a bioinformática.