Questão de Biologia — Moléculas, células e tecidos — CESPE / CEBRASPE 2025
- Código
- ce200973
- Banca
- CESPE / CEBRASPE
- Órgão
- EMBRAPA
- Ano
- 2025
- Nível
- Superior
- Cargo
- Pesquisador – Área: Ciências Biológicas – Subárea: Biologia Avançada
- CCerto
- EErrado
GabaritoC — Certo
Gabarito: letra C (CERTO). Quando os dados são limitados e altamente estruturados, métodos especializados de aprendizado de máquina (como SVM, árvores de decisão, métodos de kernel) tendem a ser mais eficientes para extrair características relevantes do que redes neurais profundas, que exigem grandes volumes de dados para superar esses métodos. Essa é uma constatação consolidada na literatura de aprendizado de máquina, especialmente em domínios como a quimioinformática e a descoberta de fármacos.
O enunciado aborda um ponto central da modelagem computacional aplicada à biologia: a relação entre a quantidade de dados disponíveis e a escolha do algoritmo. Redes neurais profundas (deep learning) são modelos de alta capacidade que aprendem representações hierárquicas diretamente dos dados brutos, mas para isso precisam de grandes conjuntos de dados — caso contrário, sofrem com overfitting e não generalizam bem. Já os métodos especializados (também chamados de métodos clássicos ou tradicionais) incorporam conhecimento de domínio e são projetados para extrair características relevantes de forma mais eficiente quando os dados são escassos, porém estruturados (como descritores moleculares, fingerprints químicos, etc.).
A distinção que importa aqui é entre aprendizado de representação (deep learning) e engenharia de características (métodos especializados). No primeiro, o modelo descobre as características sozinho; no segundo, as características são definidas por especialistas ou por métodos estatísticos. Quando há poucos dados, a engenharia de características tende a ser mais eficaz, pois o modelo não precisa "aprender do zero" uma representação que exigiria muitos exemplos.
A pegadinha que a banca explora é a generalização indevida: o candidato pode pensar que "redes neurais profundas são sempre melhores" por serem mais modernas ou por terem destaque na mídia. Mas a literatura mostra que, em cenários de dados limitados, métodos especializados frequentemente superam ou empatam com deep learning. A afirmação do item está correta ao condicionar a eficiência à quantidade de dados.
A banca explora a ideia de que "deep learning é sempre superior". Na prática, redes profundas precisam de muitos dados; com dados limitados e estruturados, métodos especializados (SVM, random forest, etc.) costumam ser mais eficientes. Não caia na armadilha de achar que o que é mais "avançado" é sempre o melhor — o contexto (quantidade de dados) é decisivo.
A afirmação está correta porque reflete um princípio bem estabelecido em aprendizado de máquina: a eficiência relativa de um método depende da quantidade e da estrutura dos dados. Com dados limitados e altamente estruturados, métodos especializados conseguem extrair características relevantes de forma mais eficiente do que redes neurais profundas, que exigem grandes volumes de dados para ajustar seus milhões de parâmetros. Em quimioinformática, por exemplo, descritores moleculares combinados com SVM ou random forest frequentemente superam redes profundas quando o conjunto de compostos é pequeno.
Gabarito: letra C (CERTO).
Link permanente: /questoes/ce200973