Aprendizado Profundo em Biologia

O aprendizado profundo transformou a biologia mais profundamente do que quase qualquer outro campo fora da visão computacional e do NLP. O AlphaFold resolveu um problema de 50 anos. Modelos de sequência preveem o efeito de qualquer mutação. Modelos de fundação treinados em bilhões de pares de bases de DNA estão aprendendo a gramática do genoma. A IA de imagens médicas lê lâminas de patologia com precisão de radiologista.

Este capítulo abrange como as escolhas de arquitetura de aprendizado profundo mapeiam para tipos de dados biológicos, os modelos marcantes que definem o campo e o que a geração atual de modelos de fundação biológicos pode e não pode fazer.

Por Que o Aprendizado Profundo Funciona para Dados de Sequência Biológica

As sequências biológicas — DNA, RNA, proteína — são o domínio natural do aprendizado profundo:

• Dependências de longo alcance: um sítio de splice a 10.000 pb de uma região codificante afeta o splicing. Um enhancer distal a 500 kb regula a transcrição. CNNs e transformers podem capturar essas dependências.
• Aprendizado de características hierárquico: DNA → motivos de ligação de TF → módulos regulatórios → programas específicos de tipo celular. As arquiteturas profundas aprendem naturalmente representações hierárquicas.
• Escala: bilhões de pares de bases de sequência de DNA estão disponíveis. Os modelos transformer que requerem dados massivos de treinamento se encaixam naturalmente.
• Alfabeto discreto: o DNA tem 4 letras; as proteínas têm 20. Os modelos de sequência para linguagem (que também operam em tokens discretos) mapeiam de forma limpa para esses alfabetos.

Redes Neurais Convolucionais em Sequências Genômicas

A primeira onda de aprendizado profundo biológico aplicou CNNs a sequências genômicas de comprimento fixo — a mesma arquitetura que revolucionou a classificação de imagens, adaptada para dados de sequência 1D.

Arquitetura:

One-hot encoded sequence (L × 4, onde L = comprimento da sequência)
↓
Conv1D filters (capturam motivos k-mer, análogos a detectores de borda)
↓
Pooling (agregar em janelas locais)
↓
Camadas convolucionais empilhadas (composição hierárquica de características)
↓
Camadas densas
↓
Predição (ligação de TF, acessibilidade de cromatina, splicing)

DeepBind (2015): previu a especificidade de ligação TF-DNA a partir da sequência; igualou ou superou métodos baseados em PWM e descobriu regras de ligação não lineares.

DeepSEA (2015): previu 919 características de cromatina (DNase, marcas de histona, ligação de TF) a partir de janelas de sequência de 1 kb. Treinado em dados ENCODE. Habilitou a saturação de mutagênese in silico — pontuando cada possível mudança de nucleotídeo único para o efeito na atividade regulatória.

Enformer (2021): arquitetura baseada em atenção que prevê expressão gênica diretamente a partir de 200 kb de sequência circundante. Captura interações enhancer-gene distais que modelos de contexto mais curto perdem. Atualmente o melhor modelo para prever atividade regulatória a partir da sequência.

Predição de Splicing

O splicing é governado por motivos de sequência curtos (sítios de splice, pontos de ramificação, ESEs, ESSs) em combinações complexas — um alvo natural para o aprendizado profundo.

SpliceAI (2019): rede residual profunda que prevê o uso de sítios de splice a partir de 10 kb de contexto de sequência. Validado contra variantes conhecidas que alteram o splice; agora usado na interpretação clínica de variantes. Um teste independente: as predições do SpliceAI se correlacionam com o fenótipo do paciente para variantes de significado incerto próximas a sítios de splice.

O SpliceAI permitiu a predição em todo o genoma das consequências de splicing para todos os SNVs possíveis — o primeiro modelo de aprendizado profundo adotado clinicamente na interpretação de variantes.

Estrutura de Proteínas: AlphaFold

O AlphaFold 2 (2021) é provavelmente o avanço científico mais significativo produzido pelo aprendizado profundo. Ele resolveu o problema de predição de estrutura de proteínas — prevendo a estrutura 3D a partir da sequência de aminoácidos — com precisão comparável a métodos experimentais.

A arquitetura: o AlphaFold 2 combina:

• Processamento de alinhamento de múltiplas sequências (MSA): sinais de covariação evolutiva de milhares de sequências homólogas codificam restrições estruturais
• Representação de pares: relações em pares entre todos os pares de resíduos
• Evoformer: um módulo semelhante a transformer que atualiza iterativamente representações de sequência e par com atenção em ambas as dimensões
• Módulo de estrutura: constrói explicitamente coordenadas 3D usando operações de rede neural equivariante (frames para cada resíduo)

A percepção-chave: a informação co-evolutiva é informação estrutural. Se dois resíduos estão em contato em 3D, as mutações em um resíduo são compensadas por mutações no outro ao longo da evolução. O padrão de mutações compensatórias no MSA codifica contatos 3D.

O Banco de Dados AlphaFold agora contém estruturas previstas para >200 milhões de proteínas. Na prática:

• Procure qualquer proteína UniProt → obtenha uma predição de estrutura em segundos
• As pontuações de confiança por resíduo (pLDDT) indicam confiabilidade (> 70 = confiável; < 50 = desordenado ou incerto)
• Os mapas PAE (erro alinhado previsto) indicam confiança relativa ao domínio — útil para proteínas de múltiplos domínios e interfaces proteína-proteína

AlphaFold 3 (2024): estendido para complexos proteína-DNA, proteína-RNA, proteína-molécula pequena. Permite a predição in silico de interações medicamento-proteína e proteína-ácido nucleico.

Limitações: o AlphaFold prevê bem a estrutura de "estado de repouso", mas tem limitações para:

• Regiões intrinsecamente desordenadas (o pLDDT baixo indica corretamente incerteza)
• Mudanças conformacionais (ajuste induzido por ligação)
• Famílias de proteínas raras com poucos homólogos no MSA (informação evolutiva escassa)
• Proteínas de novo projetadas (sem histórico evolutivo)

Modelos de Linguagem de Proteínas (PLMs)

Os modelos de linguagem de proteínas são transformers treinados em grandes coleções de sequências de proteínas usando modelagem de linguagem mascarada — a mesma abordagem que o BERT para linguagem natural.

ESM-2 (Meta AI): treinado em 250 milhões de sequências de proteínas do UniRef50. As representações (embeddings) capturam propriedades estruturais e funcionais sem treinamento explícito de estrutura.

Aplicações:

• Predição de efeito de variante: a pontuação de modelagem de linguagem evolutiva prevê a patogenicidade de variantes missense. O ESMFold alcança predição de estrutura a partir de uma única sequência sem MSA.
• Predição de função de proteínas: os embeddings agrupam por função no espaço de embedding; os vizinhos mais próximos no espaço de embedding são frequentemente proteínas funcionalmente semelhantes.
• Engenharia de proteínas: pontuar todas as mutações em uma posição identifica aquelas que provavelmente serão toleradas — guia experimentos de evolução dirigida e design de proteínas.

ProtTrans, ESM-1v, EVE: diferentes variantes de PLM; EVE modela epistasia (efeitos combinados de múltiplas mutações) e prevê patogenicidade de variantes clínicas.

Modelos de Fundação de DNA/RNA

A mesma arquitetura transformer treinada em sequências genômicas aprende a gramática regulatória do genoma.

Nucleotide Transformer (2023): transformer treinado em 2.500 genomas. As representações aprendidas generalizam para tarefas regulatórias subsequentes sem treinamento adicional.

HyenaDNA: modelo baseado em convolução que lida com sequências de até 1 milhão de pb — capturando dependências genômicas de longo alcance muito longas que transformers (com atenção O(n²)) não conseguem escalar.

DNABERT-2: modelo no estilo BERT em sequências genômicas; ajustado para predição de promotores, ligação de TF, acessibilidade de cromatina.

Modelos de linguagem genômica podem prever:

• Sítios de ligação de fator de transcrição
• Acessibilidade de cromatina (picos de ATAC-seq)
• Atividade de enhancer
• Efeito de mutações na atividade regulatória
• Expressão gênica a partir da sequência

Modelos de linguagem de RNA (SpliceBERT, RNABERT) visam a predição de splicing e estrutura de RNA.

Imagens Médicas: Patologia Computacional

As lâminas de histopatologia contêm informações ricas, mas são grandes (imagens de gigapixels) e requerem interpretação especializada. O aprendizado profundo transformou isso:

CNNs baseadas em patches: dividir imagens de lâminas inteiras em patches (256×256 px); classificar cada patch; agregar predições. Usado para:

• Classificação tumor vs. normal
• Classificação de subtipo de câncer
• Graduação (escore de Gleason para câncer de próstata)

Aprendizado de instância múltipla (MIL): tratar a lâmina como uma "bolsa" de patches; aprender quais patches são informativos para o rótulo em nível de lâmina sem anotações em nível de patch. A abordagem padrão para patologia fracamente supervisionada.

Modelos de fundação para patologia (UNI, CONCH, PLIP): transformers de visão pré-treinados em milhões de imagens de patologia. Ajustados para tarefas específicas com dados rotulados mínimos.

Integração multimodal: combinar expressão gênica (de transcriptômica espacial) com histologia (imagens H&E) permite prever subtipos moleculares diretamente a partir de imagens, ou usar imagens para inferir expressão gênica espacial em escala.

Redes Neurais de Grafo para Biologia Molecular

Moléculas, redes de interação proteica e vias metabólicas são naturalmente representadas como grafos. As redes neurais de grafo (GNNs) operam diretamente em dados estruturados em grafo.

Predição de propriedade molecular:

• Átomos = nós; ligações = arestas
• GNN aprende representações em nível de átomo agregando informações de vizinhança
• A leitura em nível de grafo prevê propriedades moleculares (solubilidade, toxicidade, afinidade de ligação)
• Aplicações: predição de ADMET em descoberta de medicamentos, triagem de toxicidade, predição de resultado de reação

Redes de interação proteína-proteína: GNNs em grafos PPI preveem essencialidade de genes, alvos de medicamentos e candidatos de genes de doenças.

Modelos de grafo celular: em transcriptômica espacial, cada célula é um nó com características de expressão; as células vizinhas são arestas. GNNs preveem o estado celular a partir do contexto de vizinhança.

Sequência para Função: O Paradigma Central

Muitas tarefas modernas de aprendizado profundo biológico seguem o mesmo padrão:

Sequência → [Modelo de Aprendizado Profundo] → Função

Exemplos:

• Sequência de DNA → acessibilidade de cromatina
• Sequência de DNA → expressão gênica
• Sequência de proteína → estrutura 3D
• Sequência de proteína → estabilidade / afinidade de ligação
• Sequência de RNA → estrutura secundária
• Sequência de anticorpo → ligação ao antígeno

O poder desse paradigma: uma vez que um modelo é treinado, você pode prever o efeito de qualquer mudança de sequência in silico, sem experimentos. Isso permite:

• Saturação de mutagênese: pontuar todas as mutações únicas em cada posição
• Design inverso: pesquisar o espaço de sequências por sequências com propriedades desejadas
• Interpretação de variante: prever o efeito funcional de qualquer variante observada

Evolução dirigida in silico: usar o modelo sequência-para-função como função objetivo; otimizar com gradiente descendente ou algoritmos evolutivos para encontrar sequências com atividade prevista máxima. AlphaFold + modelos de linguagem de proteínas permitiram o design de novas enzimas e proteínas que funcionam na validação de bancada.

Considerações de Treinamento para Aprendizado Profundo Biológico

Divisões de Dados para Dados de Sequência

As divisões padrão aleatórias de treinamento/teste são inválidas para dados de sequência — sequências homólogas em treinamento e teste levam ao vazamento de dados.

Para modelos de proteínas: dividir por identidade de sequência. As proteínas do conjunto de teste devem compartilhar <30% de identidade com qualquer proteína de treinamento. Use ferramentas como MMseqs2 para agrupamento.

Para modelos genômicos: dividir por cromossomo. Treinar nos cromossomos 1–18; validar no chr19; testar no chr20–22 e chrX. Isso garante que não haja sobreposição posicional entre treino e teste.

Divisões baseadas em tempo: para dados clínicos ou bancos de dados de variantes, divida por data de deposição para simular a avaliação prospectiva realista.

Transfer Learning

A maior parte do aprendizado profundo biológico aproveita modelos pré-treinados:

1. Pré-treinar em massivos dados de sequência não rotulados (auto-supervisionado)
2. Ajustar em conjuntos de dados rotulados menores para tarefas específicas

Isso é especialmente importante porque os dados biológicos rotulados são escassos (as anotações funcionais requerem experimentos caros) enquanto os dados de sequência são abundantes.

Predição zero-shot: modelos de linguagem de proteínas pré-treinados podem prever efeitos de variantes sem nenhum ajuste fino específico da tarefa — puramente a partir da modelagem de linguagem evolutiva.

Quantificação de Incerteza

As aplicações biológicas requerem saber quando o modelo não sabe:

• AlphaFold fornece pontuações de confiança pLDDT
• Modelos ensemble estimam a incerteza a partir da variância de predição
• A predição conformal fornece conjuntos de predição com cobertura garantida

Em aplicações clínicas, a quantificação de incerteza é cada vez mais exigida por frameworks regulatórios.

Limitações e Avaliação Honesta

Qualidade dos dados sobre arquitetura: a maioria dos ganhos de desempenho em DL biológico vem de melhor curadoria de dados, não de novas arquiteturas. Um transformer em dados limpos supera um conjunto de dados mal curado independentemente da arquitetura.

Mudança de distribuição: modelos treinados em linhagens celulares de câncer podem não prever tumores de pacientes. Modelos treinados em um tecido podem não generalizar para outro. O contexto biológico importa enormemente.

Causalidade vs. correlação: um modelo prevendo atividade de enhancer a partir da sequência pode aprender que regiões ricas em GC são acessíveis (correlação) em vez de que motivos específicos de TF impulsionam a acessibilidade (causalidade). Experimentos de perturbação são necessários para estabelecer causalidade.

Lacuna de tradução clínica: mesmo modelos preditivos altamente precisos enfrentam barreiras regulatórias, éticas e práticas para implantação clínica. Os dispositivos médicos de IA/ML aprovados pela FDA requerem validação clínica prospectiva — um bar muito mais alto do que um artigo publicado com alto AUC.

Referência de Modelos Marcantes

Esses modelos representam o estado da arte atual e são ativamente usados em pesquisa e cada vez mais em pipelines clínicos.