Classificação, agrupamento e determinação do perfil molecular de transcriptomas cerebrais utilizando aprendizado de máquina interpretável

A caracterização molecular de transtornos complexos do neurodesenvolvimento permanece um desafio devido à alta dimensionalidade e à heterogeneidade intrínseca dos dados transcriptômicos. Abordagens tradicionais baseadas em expressão gênica diferencial frequentemente falham em capturar padrões regulatórios multivariados e coordenados que definem estados biológicos. Nesse contexto, este trabalho propõe um novo framework computacional para definir e quantificar a identidade molecular tecidual por meio de aprendizado de máquina interpretável aplicado a dados de RNA-seq em larga escala. O framework foi desenvolvido em duas etapas. Inicialmente, um modelo de referência de identidade tecidual foi construído a partir de 17.333 amostras do consórcio GTEx (v11), abrangendo aproximadamente 56.200 genes. Após transformação por variância estabilizada e correção de efeitos de lote, um pipeline de seleção de características em múltiplas etapas reduziu a dimensionalidade para 129 genes, preservando o desempenho preditivo. Modelos supervisionados, especialmente Random Forest e Multilayer Perceptron, atingiram acurácia superior a 99%, demonstrando que assinaturas gênicas compactas são suficientes para representar padrões robustos de identidade tecidual. Para garantir interpretabilidade biológica, foram utilizados valores SHAP (SHapley Additive exPlanations) para derivar assinaturas moleculares em nível de amostra. A partir dessas contribuições, foi proposta a métrica Brain Activation Score (BAS), que quantifica o alinhamento global de uma amostra com a identidade molecular neural. Na segunda etapa, o modelo foi aplicado a conjuntos independentes de dados de Transtorno do Espectro Autista (TEA) e de organoides cerebrais. Os resultados indicam que a identidade molecular neural permanece amplamente preservada em condições patológicas, embora sejam observadas alterações sutis na variabilidade da expressão gênica e nas contribuições individuais dos genes. Em conjunto, os achados demonstram que a identidade tecidual pode ser modelada como uma assinatura molecular estável, de baixa dimensionalidade e biologicamente interpretável. Este trabalho amplia o uso do aprendizado de máquina em transcriptômica ao transcender a classificação tradicional, propondo uma representação quantitativa e biologicamente fundamentada da identidade molecular, com aplicações potenciais na caracterização de doenças e na validação de modelos experimentais in vitro.