http://dx.doi.org/10.15202/10.15202/1981-996X.

2016v10n1p23

APRENDIZADO DE MÁQUINA E SUAS

APLICAÇÕES EM BIOINFORMÁTICA
MACHINE LEARNING AND APPLICATIONS IN BIOINFORMATICS

Maria Fernanda Ribeiro Dias

Doutoranda em Biotecnologia pelo Instituto Nacional de Metrologia, Qualidade e Tecnologia (INMETRO),
Duque de Caxias, RJ, Brasil
marfedias@gmail.com

Pedro Geraldo Pascutti

Doutor em Física pela Universidade de São Paulo (USP), São Paulo, SP, Brasil
Professor adjunto da Universidade Federal do Rio de Janeiro (UFRJ), Rio de Janeiro, RJ, Brasil
pascutti@biof.ufrj.br

Manuela Leal da Silva

Doutora em Ciências Biológicas - Biofísica pela Universidade Federal do Rio de Janeiro (UFRJ), Rio de Janeiro, RJ, Brasil
Pesquisadora do Instituto Nacional de Metrologia, Qualidade e Tecnologia (INMETRO), Duque de Caxias, RJ, Brasil
manuela.leal@pq.cnpq.br

RESUMO
O uso de ferramentas computacionais
para a resolução de sistemas biológicostem cha-
mado a atenção na área científica e proporciona
um ganho tanto na quantidade de informações
obtidas quanto na interpretação dos dados. A
diversidade e complexidadedos problemas bioló-
gicos dificulta a análise através da utilização de
ferramentas computacionais. Essas dificuldades
estão relacionadas ao processamento, forma de
representação e interpretação dos dados. Nesse
âmbito, a aprendizagem de máquina vem auxi-
liar no cruzamento de informações e relações
oriundas da análise de dados de sistemas biológi-
cos. Atualmente, muitas técnicas e metodologias
estão sendo utilizadas em conjunto e dessa for-
ma, problemas mais complexos ganham maior
potencial para serem resolvidos. Além disso, o
surgimento de supercomputadores vem acres-
centar e aumentar a capacidade de exploração e
análise dos dados. Uma análise criteriosa se faz
necessária toda vez que um novo problema, de
cunho biológico, é proposto. Esperamos que essa
breve revisão possa contribuir para o entendi-
mento e a resolução desses problemas.
ABSTRACT
The use of computational tools to solve
and study biological systems has drawn atten-
tion in the scientific area and provides an acqui-
sitionin amount of information obtained and in
the interpretation of the data. The diversity and
complexity of biological problemscomplicates
the analysis using computational tools. These
difficulties are associated with the processing,
representation and interpretation of data sets.
In this context, machine learning comes assist
in crossing information and relationships deri-
ved from analysis of data in biological systems.
Currently many techniques and methodologies
are being used together and thus problems that
are more complexacquire greater potential to
be solved. Moreover, the appearance of super-
computers came add and increase operating
capacity and data analysis.On the other hand,
a careful analysis is required every time a new
problem, of biological nature, it is proposed. We
hope this brief review can contribute to the un-
derstanding and resolution of these problems.

Palavras chave: Sistemas biológicos. Keywords: Biological systems. Machine

Aprendizado de máquina. Bioinformática. learning. Bioinformatics.

23
Revista Semioses, v 10, n.01, 2016
Maria Fernanda Ribeiro Dias
1 INTRODUÇÃO
Ao longo dos últimos anos a geração de
uma grande quantidade de dados genômicos
e proteômicos tem resultado em uma grande
quantidade de dados biológicos que necessitam
ser interpretados (RAZA, 2010). Dentre as áre-
as da bioinformática destinadas ao processa-
mento e análises destes dados se insere a mine-
ração de dados, que visa desenvolver algoritmos
com potencial para analisar uma grande quan-
tidade de informações (ALPAYDIN, 2004; CAR-
VALHO, 2005). Exemplos deste tipo de análise
incluem a previsão de estruturas das proteínas,
a classificação de genes, a classificação de tipos
de câncer com base em dados de microarray, o
agrupamento de dados de expressão de genes e
a modelagem estatística de interação proteína-
-proteína (LIBBRECHT; NOBLE, 2015).
O termo aprendizagem de máquina sur-
giu no final do século XX e pode ser definido
como a capacidade de melhorar o desempenho
na realização de alguma tarefa, por meio da ex-
periência ou da descoberta de similaridade en-
tre os dados (MITCHELL, 1997). Um modelo
de aprendizagem de máquina adquire e utiliza
conhecimento caso seja capaz de utilizar-se de
informações prévias para inferir novos resulta-
dos e novas informações (ARBEX, 2009). Logo,
a aprendizagem de máquina refere-se à área
na qual são desenvolvidos e estudados os algo-
ritmos, técnicas e ferramentas que permitem
o aprendizado. Nesse contexto, cita-se o con-
ceito de inteligência artificial, que no sentido
mais amplo se dedica as técnicas que permitem
ao  computador aprender e aperfeiçoar seu de-
sempenho em alguma tarefa, mimetizando o
funcionamento do cérebro humano(CAPON;
DUNNE, 2007).
A aplicação das técnicas de aprendizagem
de máquina na bioinformática vem resultando
em grande sucesso ao melhorar o desempenho
da análise de grande quantidade de dados. Além
disso, esta área esta reinventando a forma como
esses dados podem ser utilizados e direcionados
para fins estratégicos, como biotecnologia e quí-
mica medicinal, por exemplo. De uma forma
metodológica e para facilitar a organização dos
métodos, a aprendizagem de máquina pode ser
dividida em:
a) métodos de aprendizagem de máquina não
supervisionada, que consistem em agrupar
24
os dados de modo a permitir a descoberta de
similaridades e diferenças entre os padrões
(PEROUet al., 2000);
b) métodos de aprendizagem de máquina su-
pervisionada, onde os dados são organiza-
dos por rótulos (classes) e utilizados como
exemplos de treinamento de um sistema
que, depois de treinado, será capaz de fazer
inferências quanto aos rótulos de novos da-
dos (GOLUBet al., 1999); e
c) métodos de aprendizagem de máquina semi
supervisionada, que utilizam dados rotula-
dos e não rotuladas para aumentar a capaci-
dade de generalização de modelos de apren-
dizagem de máquina (CHAPELLE; ZIEN;
OLKOPF, 2006).
Aqui são expostas as principais catego-
rias e ferramentas de métodos de aprendizagem
de máquina e as principais aplicações e conside-
rações que devem ser feitas quanto aouso destes
métodosna exploração de problemas biológicos.
Não é intencional catalogar todos os métodos
de aprendizagem de máquina ou todas as fer-
ramentas disponíveis para o uso dessa metodo-
logia, mas sim discutir o potencial de aplicação
destas ferramentas junto a Bioinformática.
2 APRENDIZAGEM DE MÁQUINA
As fases que constituem os méto-
dos de aprendizagem são: Pré-processa-
mento, Mineração de Dados e Pós-proces-
samento (SMOLA; SCHÖLKOPF, 1998;
SMOLA;VISHWANATHAN; LE, 2007). As ferra-
mentas utilizadas em cada fase devem ser abran-
gentes a ponto de permitir que, a partir dos dados,
seja obtido um método de extração ou conheci-
mentos de características que possa ser validado
por meio de técnicas estatísticas.
A fase de Pré-processamento compre-
ende a aplicação de várias técnicas para cap-
tação, organização e preparação dos dados. É
uma etapa que possui fundamental relevância
para o processo de classificação e compreende
desde a análise dos dados até sua formatação e
normalização(FUJISAWA; FUKUDA; NAKATA,
2000).Em algumas situações estas fases chegam
a demandar até 80% do tempo total de processa-
mento, principalmente devido às bem conhecidas
dificuldades de integração de bases de dadoshe-
terogêneas (MANILLA et al., 1994).Na maioria
 APRENDIZADO DE MÁQUINA E SUAS APLICAÇÕES EM BIOINFORMÁTICA
dos problemas, os dados a serem analisados se
originam de problemas reais. Na bioinformática
estes dados se destinam a resolução de problemas
biológicos,análises de microarray, genomas e pro-
teomas inteiros e ou sequências de DNA, RNA
e proteínas que necessitam ser numericamente
representados para posteriormente serem inseri-
dos em um método de aprendizagem de máquina
(TUNG; HO, 2008).
Um dos maiores desafios da fase de pré-
-processamento consiste em representar estes-
dados de forma que eles mimetizem o problema
real. Os problemas encontrados nesta fase são
os dados em pequenas quantidades e muitas das
vezes a má qualidade dos mesmos.Os dados em
pequena quantidade podem incorrer em resulta-
dos inconsistentes e pouco precisos (HUSSAIN et
al., 2000). Além disso, a qualidade do conjunto de
dados está diretamente relacionada ao nível de ru-
ído que estes apresentam. A origem do ruído pode
ser originária da má representação, propagação de
erros nos dados experimentais, erros de digitação
ou na representação numérica. Nesses casos, faz-
-se necessário a utilização de técnicas estatísticas
para detectar os ruídose minimizá-los (GUREK,
2001).
A fase de aplicação também chamada de
fase de mineração de dados utiliza os métodos de
aprendizagem supervisionada,semi-supervisiona-
da e nãosupervisionada. Fazem parte desta fase:
o conjunto de dados que passou pela fase de pré-
-processamento, todas as ferramentas possíveis
de serem utilizadas e as formas de validação das
ferramentas e do modelo proposto (LARRAÑA-
GAet al., 2006).
A fase de Pós-processamento constitui-se
da avaliação e interpretação dos resultados obti-
dos, na qual interessantes padrões são identifica-
dos. Utiliza-se nesta fase: dados estatísticos, grá-
ficos e mapas de cores e distâncias.
Algumas ferramentas estão disponíveis
para a aplicação dos processos de mineração de
dados como no caso da ferramenta de código
aberto LIBSVM (CHANG; LIN, 2011), que im-
plementamodelos lineares e de regressão logística
para a resolução de problemas de classificação.
Existem ainda pacotes de software que unem um
conjunto de ferramentas para aplicação, como no
caso das ferramentas Weka(FRANKet al., 2004;
1 “A”– Representação da aprendizagem supervisionada; “B”– Representação da aprendizagem não supervisionada; “C”– Representação
da aprendizagem semi-supervisionada. Em vermelho e azul estão representados o conjunto de dados já rotulados. Verde e amarelo
constituem os dados que serão rotulados após aplicação da aprendizagem de máquina não supervisionada ou semi-supervisionada.
HALL et al., 2009)e GenePattern (REICH et al.,
2006). Weka reúne um conjunto de algoritmos
para o pré-processamento, a mineração de dados
e o pós-processamento. Muitos dos algoritmos
que compõem o Weka estão descritos emWitten
e Frank (2000).Já a ferramenta GenePattern é um
software de código aberto desenvolvido para aná-
lise de dados genômicos.
A área de aprendizagem de máquina está
dividida em três grandes grupos, que se consti-
tuem por características e técnicas bastante par-
ticulares. Na aprendizagem supervisionada, o
objetivo é induzir conceitos a partir de exemplos
que estão pré-classificados. Se as classes possuí-
rem valores discretos, o problema é categorizado
como classificação. Caso as classes possuam va-
lores contínuos, o problema é categorizado como
regressão. Nestes casos, uma classe de exemplos
rotulados é utilizada para classificar dados desco-
nhecidos (ver Figura 1, item A). Na aprendizagem
não supervisionada os dados são a princípio des-
conhecidos e agrupados de acordo com alguma
similaridade, logo existe o processo de extração de
informações em dados desconhecidos (ver Figura
1, item B). A aprendizagem semi-supervisionada
é requerida quando a quantidade de dados rotu-
lados é baixa e utilizam-se dados não rotulados
para compor o conjunto de treinamento (Figura
1, item C). Esta metodologia constitui a integra-
ção entre a aprendizagem não supervisionada e a
aprendizagem supervisionada (YIPet al., 2013).
Figura 1: Representação dos métodos de aprendizagem de máquina utilizados
na bioinformática
25
Maria Fernanda Ribeiro Dias
Fonte: Adaptado de (YIP et al., 2013).
3 APRENDIZAGEM NÃO
SUPERVISIONADA
A aprendizagem de máquina não supervi-
sionada se caracteriza por receber dados do tipo
{x1, x2.. xn}, e extrair associações ou caracterís-
ticas destes dados. Os métodos muito utilizados
são os métodos de análises de componentes
principais(PCA), modelos baseados em distân-
cias como k-means e modelos de agrupamentos
hierárquicos (do inglês Hierarchical Clustering)
(LÄNGKVIST; KARLSSON; LOUTFI, 2014).A
análise de agrupamento pode ser entendida
como o processo de reunir ou agrupar variáveis
similares entre si. A identificação de grupos que
se associam é um ponto de partida para a explo-
ração dos dados e da relação entre eles. Os algo-
ritmos de agrupamento recebem como entrada
26
dados em forma de vetores n-dimensionais. O
resultado é um cluster formado por grupos que
apresentam alguma semelhança baseada nos
atributos que caracterizam e representam esses
dados (GHAHRAMAN, 2004).
Em 2002, Taylor e colaboradores apli-
caram técnicas de aprendizagem não supervi-
sionada e métodos estatísticos nas análises do
genótipo de plantas. Os perfis metabolômicos
foram traçados e posteriormente comparados
por meio de estatísticas descritivas. Em segui-
da, foi aplicado o método de redes neurais para
discriminar entre os genótipos presentes nas
amostras e foi descoberto que possivelmente
estes perfis metabólicos tenham se originado de
duas diferentes linhagens. Através dos métodos
de agrupamento hierárquico e PCA foi possível
separar e compreender as diferenças encontra-
das em cada perfil. Os resultados encontrados
foram confirmados através de dados experi-
mentais, onde foramverificadas diferenças en-
tre os genótipos de mitocôndrias e cloroplastos
presentes nos dados submetidos ás análises
de aprendizagem de máquina. Golub e outros
(1999) foram os pioneiros na utilização de ferra-
mentas diversificadas para analisar uma grande
quantidade de dados biológicos. Neste trabalho
foram utilizados os métodos de aprendizagem
não supervisionada, agrupamento hierárquico e
self organized maps, e métodos de aprendiza-
gem supervisionada, os preditores multiclasses.
Com a junção destas ferramentas foi possível
agrupar e classificar os dados de pacientes com
câncer, diferenciando-os entre a leucemia mie-
lóide aguda e leucemia linfoblástica aguda. A
partir das análises de Golub e outros, outras
ferramentas e análises foram sendo elucidadas
e diferentes métodos de aprendizagem de má-
quina, principalmente os métodos de aprendi-
zagem supervisionada passaram a ser aplicados
em problemas biológicos.
4 APRENDIZAGEM SUPERVISIONADA
Os métodos de aprendizagem supervisio-
nada se caracterizam por receber dados rotu-
lados do tipo {x1, x2.. xn}, e utilizarem estes
dados e a representação de seus atributos para a
predição de um novo conjunto de dados desco-
nhecidos. Os métodos de aprendizagem de má-
quina supervisionada podem ser divididos em
problemas de classificação e regressão. Os algo-
 APRENDIZADO DE MÁQUINA E SUAS APLICAÇÕES EM BIOINFORMÁTICA
ritmos mais conhecidos e aplicados em bioin-
formática são:redes neurais (WIDROW; LEHR,
1990), árvore de decisão(QUINLAN, 1986),
k-nearest neighbors (COVER, 1967)emáquina
de vetor de suporte (SVM, do inglês support
vector machine) (CORTES; VAPNIK, 1995).
Além destes, existe ainda o NaiveBayes, que de
acordo com Oguri (2006) é o classificador mais
utilizado em aprendizagem de máquina.Entre-
tanto, o algoritmo SVM vem tomando espaço
nas últimas décadas e sendo utilizado em dife-
rentes análises de bioinformática (LIBBRECHT;
NOBLE, 2015).Isso se deve ao fato do algorit-
mo SVM constituir modelos baseados no fato
de que, para dimensões altas, todos os proble-
mas se tornam linearmente separáveis (TONG;
KOLLER, 2001). O uso do produto internoker-
nel e a construção do hiperplano oferecem uma
solução alternativa para projetar os dados em
um espaço de menor dimensão, aumentando
o desempenho domodelo de classificação. A
representação dos dados de treinamento em
forma de vetores torna isto possível, pois estes
nunca aparecem isolados, mas na forma de pro-
duto interno. Quando os dados de treinamento
são separáveis, o hiperplano ótimo no espaço
característico é aquele que apresenta a máxima
margem de separação (SEMOLINI, 2002).
O uso da aprendizagem de máquina su-
pervisionada possibilita aplicação em diversas
áreas do conhecimento e na bioinformática vem
sendo bastante utilizado na classificação de di-
ferentes sistemas. Lu e outros (2011) fizeram
a predição e caracterização de todo o genoma
de RNAs noncodings (ncRNAs) deCaenorhab-
ditis elegans, utilizando o algoritmo SVM com
os seguintes atributos: as regiões conservadas, a
estrutura secundária e a composição dos ácidos
nucleicos. Essas análises resultaram em 97% de
acurácia nas análises de validação e apresenta-
ram novos ncRNAs potenciais em C. elegans,
fornecendo um método que pode ser adaptado
para outros organismos.
Em 2007,Tung e Ho propuseram um
método computacional para a predição de imu-
nogenicidade de peptídeos. O método utiliza
números binários e propriedades físico-quími-
cas para a representação dos dados, algoritmos
árvore de decisão (para selecionar o conjunto de
propriedades físico-químicas mais relevantes)
e SVM para classificar os dados representados
em peptídeos de ligação do complexo principal
de histocompatibilidade, MHC(do  inglês ma-
jor histocompatibility complex) de classe I ou
II (TUNG; HO, 2007). Posteriormente, este
mesmo grupo utilizou a mesma metodologia de
representação e a comparação de diferentes al-
goritmos para a identificação de proteínas ubi-
quitináveis.Neste trabalho, Tung e Ho (2008)
utilizaram os modelos SVM, K-nearest neighbor
e NayveBayes combinados com propriedades
físico-químicas, identificação por aminoácidos
e informações evolutivas. O melhor resultado
obtido foi oriundo da combinação do algoritmo
SVM com a representação de peptídeos atra-
vés das propriedades físico-químicas. Esta fer-
ramenta avaliou mais de 3 mil peptídeos com
72% de recall nos resultados de validação.
5 APREDIZAGEM SEMI-SUPERVISIONADA
A aprendizagem semi-supervisionada se
baseia na definição de que para problemas com
pouca quantidade de dados rotulados, usa-se
dados não rotulados para compor o conjunto
de treinamento. Desta forma, este método re-
úne características da aprendizagem supervi-
sionada e da aprendizagem não supervisionada.
Em análises de sequências gênicas, o processo
utiliza os algoritmos de aprendizagem super-
visionadae iniciam com a construção de um
modelo inicial formado por rótulos dos genes-
que constituem um subconjunto. Este modelo
é utilizado para avaliar o genoma inteiro e ro-
tular os dados experimentais, que após serem
rotulados, passam a fazer parte do conjunto de
treinamento(LIBBRECHT; NOBLE, 2015). A
abordagem semi-supervisionada pode ser mais
eficiente do que uma abordagem totalmente su-
pervisionada, pois o modelo é capaz de aprender
a partir de um conjunto maior de dados em vez
de apenas o subconjunto que fora identificado
com alta confiança. Um dos fatores limitantes
deste método é o aumento de ruído e o uso de
dados que direcionem ao erro. Logo é interes-
sante que os dados sejam oriundos de fontes
seguras e tenham outras fontes para corrobo-
rar com os resultados.Le e colaboradores, 2016
utilizam um método de aprendizagem semi-su-
pervisionada para análise de metagenomas. O
algoritmo propõe um método de agrupamento
dos reads de acordo com as características de
cada um. Após agrupados, cada cluster é com-
parado aos táxons depositados em bancos de
27
Maria Fernanda Ribeiro Dias

dados e assim atribui-se aos reads uma referên-
cia taxonômica.
6 AVALIAÇÃO DOS MODELOS
DE CLASSIFICAÇÃO
O desempenho do algoritmo de aprendiza-
gem é confirmado através dos valores estatísticos
dos dados de validação cruzada. A avaliação se aplica
aos métodos de aprendizagem supervisionada e se-
mi-supervisionada e utiliza o conjunto de dados de
treinamento para avaliar o desempenho do modelo
(KRETSCHMANN; FLEISCHMANN;APWEILER,
2001). As técnicas de validação cruzada se baseiam
no particionamento do conjunto de dados em sub-
conjuntos, utilizando posteriormente alguns destes
subconjuntos para dados de treinamento e o restan-
te para serem utilizados como teste (LARRAÑAGA
et al., 2006). As técnicas mais utilizadas para ava-
liação são:
d) validação cruzada com K grupos (do inglês
K-fold cross-validation), onde se retira um
grupo pra teste e o restante é utilizado pra
treinamento (ver Figura 2, item i);
e) validação cruzada com 2 grupos (do inglês
2-fold cross-validation), onde um grupo é
utilizado como teste e outro como treina-
mento (ver Figura 2, item ii);
f) validação com amostras aleatórias (do inglês
repeated random sub-sampling validation)
g) LOOCV (do inglês, leave-one-out cross-
-validation), validação cruzada retirando um
dado para teste e o restante para treinamen-
to (ver Figura, item iv). Nas análises de vali-
dação cruzada feitas com as técnicas iii e iv, o
procedimento é repetido diversas vezes.
O desempenho do classificador e os va-
lores estatísticos são calculados após serem
contabilizados os resultados de predição levan-
do em consideração acurácia, precisão e recall
obtidos (TARCAet al., 2007). Para a obtenção
destes valores é necessário a obtenção dos se-
guintes valores:
h) verdadeiro positivo(VP): ocorre quando
o classificador prevê uma resposta do tipo
“sim” e essa resposta está de acordo com os
dados observados;
i) verdadeiro negativo(VN): ocorre quando
o classificador prevê uma resposta do tipo
“não” e essa resposta está de acordo com os
dados observados;
j) falso positivo(FP): ocorre quando o classi-
ficador prevê uma resposta do tipo ``sim’’
quando a mesma deveria ser “não”; e
k) falso negativo(FN): ocorre quando o classi-
ficador prevê uma resposta do tipo ``não’’ e
ela deveria ser “sim”.
Tabela 1: Tabela de confusão utilizada para auxiliar análises estatís-
ticas de metodologias de aprendizagem de máquina supervisionado e
semi-supervisionado

quando é retirado por n-vezes do conjunto Valor Verdadeiro

de treinamento um subconjunto para teste Positivo Negativo

Valor Predito

(ver Figura 2, item iii); e Positivo

VP FP
Verdadeiro Positivo Falso Positivo
Figura 2: Representação esquemática das técnicas de validação cruzada
FN VN
Negativo
Falso Negativo Verdadeiro Netivo
Fonte: Adaptado de(Fawcett, Tom; 2006).

Desta forma pode-se montar uma tabe-

la caracterizada como “tabela de confusão” (ver
Tabela 1), de onde é possível realizar as seguin-
tes avaliações(ver Equações 1, 2 e 3).
Equação 1: Recall: Avalia o quanto
um classificador pode reconhecer exemplos
positivos

VP/(VP+FN) (1)

Equação 2: Acurácia: Avalia o quanto

um classificador pode reconhecer exemplos
negativos

VN/(FP+VN) (2)
Fonte: Adaptado de (Sudhir Varma e Richard Simon, 2006).

28
 APRENDIZADO DE MÁQUINA E SUAS APLICAÇÕES EM BIOINFORMÁTICA
Equação 3: Precisão: Avalia o quanto
das classificações positivas estão corretas. Re-
laciona-se com a qualidade e uniformidade do
método
VP/ (VP+FP) (3)
7 CONCLUSÕES
A escolha do método e modelo de apren-
dizagem de máquina depende de uma diversida-
de de fatores. A primeira observação é quanto a
origem dos dados e as características que estes
apresentam. Quando não se tem nenhuma in-
formação prévia dos dados, a escolha é limita-
da somente a aplicação de métodos de apren-
dizagem não supervisionada. Neste contexto,
diversas análises estatísticas são requeridas
para avaliar e extrair associações entre os da-
dos. Uma outra abordagem para os métodos de
aprendizagem não supervisionada é sua aplica-
ção em um conjunto de dados rotulados e ex-
perimentalmente validados. Esta aplicação per-
mite a extração de associações e relações entre
os dados e pode corroborar com a descoberta de
padrões em novos dados. Logo, a aprendizagem
não supervisionada pode auxiliar os métodos de
aprendizagem supervisionada e semi-supervi-
sionada, enriquecendo as informações obtidas
através destas técnicas.
Quando disponibilizamos de dados com
características representáveis, é possível pro-
por o uso dos métodos de aprendizagem super-
visionada e/ou semi-supervisionada, porém a
utilização destas ferramentas atrelada a origem
dos dados implica algumas particularidades. A
primeira delas é o overfitting,termo utilizado
para caracterizar modelos que se ajustam bem
ao conjunto de treinamento, mas não é condi-
zente com os dados reais. Um dos motivos para
este fator é a redundância entre os atributos que
representam os dados. Atributos redundantes
geram overfitting e na maioria dos casos uma
análise de correlação pode ajudar a solucionar
este problema. A segunda particularidade a ser
observada é quanto ao underfitting, caracteriza-
do quando o modelo não se ajusta bem aos da-
dos de treinamento. Nestes casos existem duas
possibilidades: a primeira está condicionada ao
aumento do conjunto de treinamento e a se-
gunda se define pela adição de novos atributos
na representação do conjunto de dados. Além
disso, existem ainda os casos de dados desba-
lanceados, quando apenas uma classe apresen-
ta grande quantidade de dados. Nesses casos,
o uso de aprendizagem semi-supervisionada
pode auxiliar no enriquecimento de dados para
a classe que possui menor quantidade de dados.
O ajuste do modelo utilizado nos mé-
todos de aprendizagem de máquina é um dos
pontos cruciais para o bom desempenho do
classificador e esta se torna uma medida essen-
cial para a construção de modelos eficientes ao
serem utilizadas metodologias de aprendizagem
de máquina.
8 CONSIDERAÇÕES FINAIS
Neste artigo foi apresentada uma vi-
são geral dos conceitos de aprendizagem de
máquina.A imersão de técnicas de aprendiza-
gem de dados na resolução de sistemas bioló-
gicos se tornou uma ferramenta eficaz e inova-
dora. Para cada problema existem algoritmos e
técnicas, com características próprias e conside-
rações favoráveis e desfavoráveis que variam de
acordo com a natureza do problema, a limitação
computacional e a qualidade dos dados. Discu-
tir as ferramentas e os problemas já descritos
vem corroborar para o avanço de técnicas com-
putacionais e suas aplicações na biologia. Este
fato permite agregar e enriquecer a área da bioin-
formática, pois abre portas para áreas ainda não
exploradas,além de contribuir para o avanço das
ferramentas e a amplitude de suas aplicações.
29
Maria Fernanda Ribeiro Dias
REFERÊNCIAS BIBLIOGRÁFICAS
–– ALPAYDIN, E. Introduction to machine learning.
Cambrige: MIT Press, 2004.
–– ARBEX, W. A.Modelos computacionais para iden-
tificação de informação genômica associada à re-
sistência ao carrapato bovino. 2009. 200 f. Tese
(Doutorado em Engenharia de Sistemas e Compu-
tação)– Universidade Federal do Rio de Janeiro,Rio
de Janeiro, 2009.
–– CAPON, T.J.M.; DUNNE, P.E. Argumentation in
artificial intelligence.Artificial Intelligence, Irvine,
v. 171, n. 10/15, p. 619-641, 2007.
–– CARVALHO, L. A. V. Datamining: a mineração de
dados no marketing, medicina, economia, engenha-
ria e administração. Rio de Janeiro: Ciência Moder-
na, 2005.
–– CHANG, C.C.; LIN, C.J.LIBSVM:a library for su-
pport vector machines. Taipei: ACM Transactions
on Intelligent Systems and Technology,2011.  rithm applied on SWISS-PROT. Bioinformatics,
–– CHAPELLE, O.; ZIEN, A.; OLKOPF, B.S. Semi-
-supervised learning. London: MIT Press, 2006.
–– CORTES, C.; VAPNIK, V.N.Support-vector ne-
tworks. Machine Learning, Boston, v. 20, p. 273-
297, 1995.
–– COVER, T.M.Nearest neighbor pattern classifica-
tion. IEEE Transactionson InformationTheory, Pis-
cataway, v. 13, n. 1, p. 21-27, 1967.
––  FAWCETT, TOM. An Introduction to ROC Analy-
sis. Pattern Recognition Letters. V. 27 p. 861 – 874,
2006.
–– FRANK, E. et al. Data mining in bioinformatics
using Weka. Bioinformatics, Oxford, v. 20, n. 15, p.
2479-2481, 2004
–– FUJISAWA, K.; FUKUDA, M.; NAKATA,
K.Preprocessing sparse semidefinite programs via
matrix completion.SIAM Journal on Optimization,
Philadelphia, v. 11, n. 3, p. 647-674, 2000.
–– GHAHRAMAN, I. Unsupervised learning. In:
BOUSQUET, O.; RAETSCH, G. Luxburg, U. von.
(Org.).Advanced lectures on machine learning. Ber-
lin: Springer-Verlag, 2004. p. 72-112.
–– GOLUB, T. R. et al. Molecular classification of
cancer: class discovery and class prediction by gene
expression monitoring. Science,New York, v. 286,n.
5439, p. 531-537, 1999.
30
–– GUREK, E. L.Aquisição de conhecimento em ban-
cos de dados. 2001. 98 f. Trabalho de Conclusão de
Curso(Tecnólogo em Processamento de Dados) –
Universidade Tuiuti do Paraná,Santo Inácio, 2001.
–– HALL, M. et al.The WEKA data mining software:
an update. SIGKDD Explorations, New York, v. 11,
n. 1,p. 10-18, 2009.
–– HUSSAIN, F. et al. Exception rule mining with a
relative interestingness measure. In: TERANO, T.;
LIU, H.; CHEN, A. L. P. Knowledge discovery and
data mining. Berlin: Springer, 2000. p. 86-96.
–– RAZA, K.Application of data mining in Bioinfor-
matics.Indian Journal of Computer Science and En-
gineering, New Delhi, v. 1, n. 2, p. 114-118, 2010.
–– KRETSCHMANN, E.; FLEISCHMANN, W.;
APWEILER, R. Automatic rule generation for pro-
tein annotation with the C4.5 data mining algo-
Oxford, v. 17, n. 10, p. 920-926, 2001.
–– LÄNGKVIST, M.; KARLSSON, L.; LOUTFI, A. A
review of unsupervised feature learning and deep
learning for time-series modeling. Pattern Recogni-
tion Letters,Uppsala, v.42, p. 11-24, 2014.
–– LARRAÑAGA,P. et al. Machine learning in bioin-
formatics. Brief Bioinformatics, Oxford, v. 7, n. 1, p.
86-112, 2006.
–– LIBBRECHT, M. W.; NOBLE, W. S. Machine lear-
ning applications in genetics and genomics. Nature
Reviews Genetics,London, v. 16,n. 6, p. 321-332,
2015.
–– LU, Z.J. et al. Prediction and characterization of
noncoding RNAs in C. elegans by integrating con-
servation, secondary structure, and high-throughput
sequencing and array data. Genome Research, New
York, v. 21, n. 2, p. 276-285, 2011.
–– MANILLA, H. et al. Finding interesting rules from
large sets of discovered association rules.In: INTER-
NATIONAL CONFERENCE ON INFORMATION
AND KNOWLEDGE MANAGEMENT, 3., 1994,
Maryland.Proceedings… Maryland: [s.n.], 1994. p.
401-407.
–– MITCHELL, T.Machine learning.New York: Mc-
Graw-Hill, 1997.
–– OGURI, P.Aprendizado de máquina para o proble-
ma de sentiment classification. 2006. 54f. Disserta-
 APRENDIZADO DE MÁQUINA E SUAS APLICAÇÕES EM BIOINFORMÁTICA
ção (Mestrado em Ciências da Computação) – Pon-
tifícia Universidade Católica do Rio de Janeiro, Rio
de Janeiro, 2006.
–– PEROU, C. M. et al. Molecular portraits of human
breast tumours. Nature,London, v. 406, n. 6797, p.
747-752, 2000.
–– QUINLAN, J. R.Induction of decision trees. Ma-
chine Learning, Boston, v. 1, p. 81-106, 1986.
–– REICH, M. et al.GenePattern 2.0. Nature Gene-
tics, London, v. 38, p. 500-501, 2006.
–– SEMOLINI, R.Support vector machines, inferência
transdutiva e o problema de classificação. 2002. 142 f.
Dissertação (Mestrado em Engenharia Elétrica) – Uni-
versidade Estadual de Campinas,Campinas, 2002.
–– SMOLA, A.J.; SCHÖLKOPF, B. Learning with ker-
nels: support vector machines, regularization, opti-
mization, and beyond.Cambridge:MIT Press, 1998.
–– SMOLA, A. J.;VISHWANATHAN, S.V.N.;LE,
Q. V. Bundle methods for machine learning.
In:ADVANCES IN NEURAL INFORMATION PRO-
CESSING SYSTEMS,20., 2007, Cambridge.Procee-
dings… Cambridge: MIT Press,2007. p. 1-8.
–– TARCA, A.L. et al. Machine learning and its
applications to biology. PLoS Computational
Biology,California, v. 3, n. 6,p. 953-963, 2007.
–– TAYLOR, J. et al. Application of metabolomics to
plant genotype discrimination using statistics and
machine learning. Bioinformatics, Oxford, v. 18, n.
2, p. 241–248, 2002.
–– TONG, S.; KOLLER, D. Support vector machine
active learning with applications to text classifica-
tion. Journal of Machine Learning Research, Van-
couver, v. 2, p. 45-66, 2001.
–– TUNG, C. W.; HO, S.Y. Computational identifica-
tion of ubiquitylation sites from protein sequences.
BMC Bioinformatics, Bari, v. 9, n. 310, p. 310-317,
2008.
–– TUNG, C.W.; HO, S.Y. POPI: predicting immu-
nogenicity of MHC class I binding peptides by
mining informative physicochemical properties.
Bioinformatics,Oxford, v. 23, n. 8, p. 942-949, 2007.
–– WIDROW, B.; LEHR, M.A.30 years of adaptive
neural networks: perceptron, Madaline, and back-
propagaion. Proceedings of the IEEE, Raleigh, v. 78,
n. 9, p. 1415-1442, 1990.
–– WITTEN, I. H.; FRANK, E. Data mining: prac-
tical machine learning tools and techniques with
java implementations. São Francisco: Morgan Kau-
fmann, 2000.
–– YIP, K.Y. et al. Machine learning and genome an-
notation: a match meant to be?.Genome Biology,
London, v.14, n. 205, p. 205- 217, 2013.
–– VARMA, SUDHIR, and RICHARD SIMON. Bias
in Error Estimation When Using Cross-Validation
for Model Selection. BMC Bioinformatics v. 7, n. 91,
2006.
AGRADECIMENTOS
À Coordenação de Aperfeiçoamento de
Pessoal de Nível Superior (CAPES) e ao Conse-
lho Nacional de Desenvolvimento Científico e
Tecnológico (CNPq).
Recebido em 15 de julho de 2016.
Aceito em 20 de agosto de 2016.
31
Maria Fernanda Ribeiro Dias

32
APRENDIZADO DE MÁQUINA E SUAS APLICAÇÕES EM BIOINFORMÁTICA

33
Maria Fernanda Ribeiro Dias

34
APRENDIZADO DE MÁQUINA E SUAS APLICAÇÕES EM BIOINFORMÁTICA

35
Maria Fernanda Ribeiro Dias

36
APRENDIZADO DE MÁQUINA E SUAS APLICAÇÕES EM BIOINFORMÁTICA

37