Fusão de descritores biológicos em grafos de resíduos para predição da oncogenicidade de variantes

O aprendizado multimodal tem se consolidado como abordagem promissora para lidar com a heterogeneidade e a complexidade dos dados biomédicos, especialmente em doenças como o câncer. Ao integrar descritores de múltiplas modalidades, esses modelos aprendem representações latentes mais expressivas e robustas a mudanças na distribuição dos dados, inclusive em cenários com poucos rótulos. Neste trabalho, discutimos fundamentos de aprendizado de representação multimodal e o papel de arquiteturas modernas, como Transformers e redes neurais de grafos, na modelagem de dependências de longo alcance e estruturas relacionais. Em particular, comparamos duas técnicas centrais de representação: (i) representação conjunta e (ii) representação coordenada. Por fim, destacamos aplicações recentes e desafios em interpretabilidade e robustez.