Questão de Biologia — Bioinformática — CESPE / CEBRASPE 2025

Aprendizado de máquina em dados químicos estruturados

Gabarito: CERTO. Com uma quantidade limitada de dados de compostos químicos, altamente estruturados, métodos especializados de aprendizado de máquina (como árvores de decisão, SVM, florestas aleatórias) tendem a ser mais eficientes para extrair características relevantes do que redes neurais profundas, que exigem grandes volumes de dados para superar modelos mais simples. Essa é uma questão de raciocínio sobre as propriedades dos algoritmos, não de letra de lei.

O enunciado aborda um ponto central da modelagem computacional aplicada à biologia e à química: a relação entre a quantidade de dados disponíveis e a escolha do algoritmo de aprendizado de máquina. Redes neurais profundas (deep learning) são modelos de alta capacidade, com milhões de parâmetros, que aprendem representações hierárquicas diretamente dos dados brutos. Essa capacidade é uma vantagem quando há grandes conjuntos de dados (como milhões de imagens ou sequências), mas se torna um problema quando os dados são escassos: com poucos exemplos, o modelo tende a memorizar o conjunto de treinamento (overfitting) e a generalizar mal para novos dados.

Métodos especializados, por outro lado, são projetados para explorar a estrutura inerente dos dados. No caso de compostos químicos, os dados são frequentemente representados por descritores moleculares (como fingerprints, propriedades físico-químicas, topologia molecular) que já codificam informações relevantes de forma compacta. Algoritmos como Support Vector Machines (SVM), Random Forests e Gradient Boosting conseguem trabalhar bem com essa representação estruturada, mesmo com poucos exemplos, porque têm menos parâmetros e incorporam regularização implícita. Eles são, portanto, mais eficientes nesse cenário.

A distinção crucial é entre a capacidade do modelo e a quantidade de dados. Modelos complexos (redes profundas) precisam de muitos dados para que sua flexibilidade se traduza em bom desempenho; modelos mais simples (métodos especializados) são mais adequados quando os dados são limitados, desde que a representação das features seja informativa. Essa é uma regra prática bem estabelecida em aprendizado de máquina, frequentemente citada em cursos e aplicações práticas.

A pegadinha da banca, aqui, é inverter essa lógica: o candidato pode pensar que "redes neurais profundas são sempre melhores" por serem mais modernas ou poderosas. No entanto, a questão explicitamente condiciona a resposta à quantidade limitada de dados, o que torna a afirmação correta. A banca testa se o candidato entende o trade-off entre complexidade do modelo e volume de dados, e não apenas se conhece o nome dos algoritmos.

Alternativa C — ✅ Correta ⟵ GABARITO

A afirmação está correta porque reflete um princípio fundamental do aprendizado de máquina: a adequação do modelo à quantidade de dados disponíveis. Com poucos dados de compostos químicos, que são altamente estruturados (descritores moleculares, fingerprints), métodos especializados como SVM, Random Forest ou Gradient Boosting conseguem extrair características relevantes de forma mais eficiente do que redes neurais profundas, que exigem grandes volumes de dados para evitar overfitting e alcançar bom desempenho. A estrutura dos dados químicos permite que esses métodos explorem padrões com menos parâmetros, tornando-os mais adequados ao cenário descrito.

Gabarito: CERTO.