Substituições de aminoácidos como representação de mutações em transformers para análise e classificação de variantes do SARS-CoV-2

Fernandes, Marcelo Augusto Costa

Universidade Federal do Rio Grande do Norte

2025-12-19

Inteligência Artificial

SARS-CoV-2

Substituições de Aminoácidos

Embeddings

Transformers

Clusterização Fuzzy

A pandemia de COVID-19, causada pelo SARS-CoV-2, evidenciou necessidade de métodos computacionais escaláveis e automatizáveis para vigilância genômica frente ao surgimento contínuo de variantes de preocupação. Neste contexto, este trabalho propõe uma abordagem inovadora baseada em representações vetoriais de substituições de aminoácidos, explorando modelos Transformer para a análise e classificação de variantes virais do SARS-CoV-2, com foco nas variantes Alpha, Beta, Gamma, Delta e Omicron. As sequências de substituições de aminoácidos foram processadas em embeddings de alta dimensionalidade, os quais fundamentaram dois experimentos complementares. No primeiro, aplicaram-se técnicas não supervisionadas, como Fuzzy C-Means e projeção t-SNE, capazes de revelar agrupamentos coerentes com as variantes conhecidas, além de identificar zonas de transição e amostras ambíguas. No segundo, modelos de aprendizado supervisionado, incluindo SVM, Random Forest, k-NN e XGBoost, foram avaliados na tarefa de classificação de varintes, com destaque para o XGBoost, que alcançou acurácia superior a 99,83% em dataset externo de teste. Os resultados demonstram que representações derivadas exclusivamente de substituições de aminoácidos são capazes de discriminar variantes com elevado desempenho e capturar assinaturas mutacionais de relevância biológica, sem necessidade de alinhamento genômico. Desta forma, a abordagem proposta apresenta-se como uma alternativa escalável, flexível, adaptável e puramente computacional para a vigilância automatizada de patógenos, com potencial aplicação em cenários de saúde pública.

The COVID-19 pandemic, caused by SARS-CoV-2, highlighted the need for scalable and automatable computational methods for genomic surveillance in the face of the continuous emergence of variants of concern. In this context, this work proposes an innovative approach based on vector representations of amino acid substitutions, leveraging Transformer models for the analysis and classification of SARS-CoV-2 viral variants, with a focus on the Alpha, Beta, Gamma, Delta, and Omicron variants. Sequences of amino acid substitutions were processed into high-dimensional embeddings, which supported two complementary experiments. In the first, unsupervised techniques, such as Fuzzy C-Means clustering and t-SNE projection, were applied to reveal groupings consistent with known variants, as well as transitional regions and ambiguous samples. In the second, supervised learning models, including SVM, Random Forest, k-NN, and XGBoost, were evaluated for variant classification, with XGBoost achieving accuracy above 99% on an external dataset. The results demonstrate that representations derived exclusively from amino acid substitutions are capable of discriminating viral variants with high performance and capturing mutational signatures of biological relevance, without requiring genomic alignment. Thus, the proposed approach represents a scalable, flexible, adaptable, and purely computational alternative for automated pathogen genomic surveillance, with potential applications in public health scenarios.