Classificação de RNA telomerase usando extração de características e técnicas de aprendizado de máquina

Abstract

A detecção de RNA telomerase por métodos de Biologia Molecular e de Bioinformática vem se mostrando extremamente difícil, devido à variabilidade na sua sequência genômica e na sua estrutura nas diferentes espécies de organismos. Esse problema é importante pois a RNA telomerase é considerável para a saúde e longevidade humanas e sua predição é de grande interesse científico. Por outro lado, como o uso de técnicas de aprendizado de máquina vem mostrando bons resultados para a classificação de DNA e de RNA, neste trabalho, utilizamos modelos obtidos com essas técnicas para verificar se poderiam ser utilizados para a classificação de RNA telomerase. Neste contexto, este trabalho propõe métodos baseados em aprendizado de máquina supervisionado para classificar a RNA telomerase. Foram obtidos modelos de classificação de RNA telomerase usando quatro algoritmos de aprendizado de máquina supervisionados: Random Forest (RF), Naive Bayes Gaussiano (NBG), Naive Bayes de Bernoulli (NBB) e Máquina de Vetor de Suporte, ou Suport Vector Machine (SVM), com uma etapa anterior de uso de métodos de extração de características (em inglês, features): transformada de Fourier com representação real (FR), curva-z (FZ) e pseudopotencial de interação elétron-ion (EIIP); e Redes Complexas (RC). Os resultados atingidos a partir dos modelos obtidos foram avaliados usando as métricas tradicionais de aprendizado de máquina. Foram testados dezesseis (16) modelos para classificar RNA telomerase, considerando os métodos de aprendizado de máquina e de extração de características. Os quatro melhores modelos, segundo a métrica de F1- score, foram os modelos baseados em Random Forest com extração de características por transformada de Fourier com representação real (RF FR), por Redes Complexas (RF RC) e por pseudopotencial de interação elétron-íon (RF EIIP); e Naive Bayes Gaussiano com extração de características por transformada de Fourier com representação real (NBG FR). Entre eles, obtiveram resultados menos satisfatórios RF RC e NBG FR, considerando-se os verdadeiros positivos, que são de maior interesse para esse estudo.