Técnicas de machine learning aplicadas a predição de dados biomoleculares
DOI:
https://doi.org/10.33448/rsd-v15i3.50648Palavras-chave:
Aprendizado de máquina, Aprendizado profundo, IA.Resumo
O objetivo do presente estudo foi analisar a aplicação de técnicas de aprendizado de máquina machine learning (ML) na avaliação de dados de predição biomoleculares na área genética, comparando diferentes abordagens quanto à precisão, eficiência e aplicabilidade na análise de dados biomoleculares, bem como identificar e discutir as principais limitações e avanços dessas técnicas. Na era da Indústria 4.0, observa-se um crescimento expressivo do volume de dados digitais, incluindo informações de saúde, mídias sociais e Internet das Coisas, cuja análise demanda o uso de inteligência artificial (IA), especialmente ML e aprendizado profundo deep learning (DL). A IA possibilita que sistemas computacionais realizem tarefas tradicionalmente associadas à inteligência humana, sendo amplamente aplicada à análise de big data em saúde. Entre suas vantagens destacam-se a flexibilidade, escalabilidade e a capacidade de integrar dados heterogêneos, como informações demográficas, exames laboratoriais, imagens e textos clínicos, contribuindo para diagnóstico, prognóstico e predição de riscos. O ML apresenta ampla aplicação na biologia molecular e na descoberta de fármacos, enquanto o DL, baseado em redes neurais profundas, mostra-se particularmente eficiente na análise de grandes volumes de dados, como no diagnóstico de câncer e na identificação de alvos terapêuticos. Entretanto, desafios persistem, incluindo a necessidade de infraestrutura computacional robusta, limitada interpretabilidade dos modelos, elevados custos computacionais e questões éticas relacionadas à privacidade e segurança dos dados.
Referências
Crampon, K., Giorkallos, A., Deldossi, M., Baud, S., & Steffenel, L. A. (2022). Machine-learning methods for ligand–protein molecular docking. Drug Discovery Today, 27(1), 151–164. https://doi.org/10.1016/j.drudis.2021.09.007
Crossetti, M. G. O. (2012). Revisão integrativa de pesquisa na enfermagem o rigor cientifico que lhe é exigido. Rev Gaúcha Enferm. 33(2):8-9.
Dias, M. F. R., et al. (2021). Application of PolyPRep tools on HIV protease polyproteins using molecular docking. Brazilian Journal of Biology, 84, e245592. https://doi.org/10.1590/1519-6984.245592
Elgart, M., Redline, S., & Sofer, T. (2021). Machine and deep learning in molecular and genetic aspects of sleep research. Neurotherapeutics, 18(1), 228–243. https://doi.org/10.1007/s13311-021-01014-9
Gupta, R., Srivastava, D., Sahu, M., Tiwari, S., Ambasta, R. K., & Kumar, P. (2021). Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Molecular Diversity, 25, 1315–1360. https://doi.org/10.1007/s11030-021-10217-3
Hudson, I. L. (2021). Data integration using advances in machine learning in drug discovery and molecular biology. In Artificial Neural Networks (pp. 167–184). Springer. https://doi.org/10.1007/978-1-0716-0826-5_7
Issa, N. T., et al. (2021). Machine and deep learning approaches for cancer drug repurposing. In Seminars in Cancer Biology (pp. 132–142). Academic Press. https://doi.org/10.1016/j.semcancer.2019.12.011
Ngiam, K. Y., & Khor, I. W. (2019). Big data and machine learning algorithms for health-care delivery. The Lancet Oncology, 20(5), 262–273. : https://doi.org/10.1016/S1470-2045(19)30149-4
Pereira, A. S. et al. (2018). Metodologia da pesquisa científica. Editora da UFSM. https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1.
Risemberg, R. I. C. et al. (2026). A importância da metodologia científica no desenvolvimento de artigos científicos. E-Acadêmica. 7(1), e0171675. https://eacademica.org/eacademica/article/view/675.
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research. 104, 333-9. https://doi.org/10.1016/j.jbusres.2019.07.039.
Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2(3), 1–21. https://doi.org/10.1007/s42979-021-00592-x
Theodosiou, A. A., & Read, R. C. (2023). Artificial intelligence, machine learning and deep learning: Potential resources for the infection clinician. Journal of Infection, 87(4). https://www.sciencedirect.com/science/article/pii/S0163445323003791
Tran, K. A., et al. (2021). Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Medicine, 13, Article 1–17. https://doi.org/10.1186/s13073-021-00968-x
Wessels, H. H., Stirn, A., Méndez-Mancilla, A., Kim, E. J., Hart, S. K., Knowles, D. A., & Sanjana, N. E. (2024). Prediction of on-target and off-target activity of CRISPR–Cas13d guide RNAs using deep learning. Nature Biotechnology, 42(4), 628–637. https://doi.org/10.1038/s41587-023-01830-8
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Yasmin Vitória da Silva Pedroso, Jéssica Karoline da Cunha, Joyce Nascimento Santos, Paulo Bandiera Paiva
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
