Tendo em vista os recentes avanços da inteligência artificial na bioinformática, julgue o item a seguir.As redes neurais convolucionais são amplamente utilizadas em bioinformática para o processamento de sequências genômicas, pois sua arquitetura permite capturar relações temporais e de longo alcance nas sequências de DNA, de forma similar ao que ocorre no processamento de séries temporais.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Redes Neurais Convolucionais em Bioinformática
Gabarito: Errado (alternativa E). A afirmação está incorreta porque redes neurais convolucionais (CNNs) são excelentes para capturar padrões locais e invariantes a translações, mas não capturam naturalmente relações temporais ou de longo alcance em sequências genômicas — essa é uma característica de arquiteturas como redes recorrentes (RNNs), LSTMs e, mais recentemente, transformers.
A banca tenta confundir o candidato ao atribuir a CNNs uma propriedade que pertence a outros modelos. As CNNs utilizam janelas deslizantes (kernels) que percorrem a sequência extraindo características locais. Para obter dependências de longo alcance, seria necessário empilhar muitas camadas ou usar técnicas de dilatação, mas ainda assim de forma limitada. Em bioinformática, problemas como predição de estrutura de proteínas ou análise de sequências longas de DNA frequentemente empregam transformers ou RNNs.
Arquiteturas para sequências: CNNs (convolucionais) (Padrões locais, Invariância a translações, Janelas deslizantes (kernels), Não captura relações de longo alcance); RNNs / LSTMs (Relações temporais, Dependências sequenciais); Transformers (Atenção global, Longo alcance)
NÃO CAIA NESSA!
O enunciado mistura dois conceitos: CNNs são usadas em bioinformática (verdadeiro), mas a justificativa atribui a elas a capacidade de capturar relações de longo alcance, o que é falso. O candidato pode lembrar que CNNs são usadas em séries temporais para padrões locais, mas confundir com a ideia de “série temporal” como algo necessariamente temporal. DNA não é temporal, e a arquitetura correta para longas dependências não é a CNN.