Deep Learning for Biology

Texto especializado que une de forma aplicada las metodologías del aprendizaje profundo contemporáneo con los desafíos de la investigación biológica y biomédica. Publicado en 2025 por Charles Ravarani y Natasha Latysheva, se fundamenta en el ecosistema actual de Python 3 y PyTorch, utilizando el repositorio complementario `dlfb` y cuadernos de Google Colab. Está orientado a un perfil interdisciplinar de nivel intermedio: científicos de datos y programadores que desean adentrarse en la bioinformática moderna, así como biólogos y profesionales de la salud con experiencia en programación básica que buscan aprovechar modelos neuronales sobre datos genómicos y clínicos.

El contenido abarca el modelado integral de datos biológicos a través de diferentes modalidades: secuencias, redes moleculares e imagenología médica y celular. Utiliza herramientas líderes como PyTorch, PyTorch Geometric (PyG) para redes neuronales sobre grafos (GNN), la biblioteca Transformers de Hugging Face para modelos de lenguaje de proteínas (como ESM de Meta), así como redes convolucionales 1D y 2D, autoencoders espaciales y técnicas de aumento de datos. Enseña a extraer información funcional a partir de secuencias de aminoácidos, predecir regulación génica en ADN y modelar relaciones complejas entre compuestos químicos.

El aprendizaje se organiza en torno a proyectos emblemáticos: un predictor de funciones y estabilidad proteica con modelos Transformer, un modelo convolucional de secuencias de ADN, una red de grafos para anticipar interacciones perjudiciales entre fármacos (DDI), un clasificador de cáncer de piel con visión computacional y un modelo de organización espacial en células. Lo más destacable es que traslada problemas biológicos complejos a pipelines reproducibles de machine learning. No se enfoca en teoría biológica clásica ni en biofísica cuántica; es conveniente tener conocimientos básicos sobre dogma central de la biología celular y estructuras de proteínas.