Uma visão abrangente dos dados do microbioma à luz das aplicações de aprendizado de máquina: categorização, acessibilidade e direções futuras

Metagenômica, Metabolômica e Metaproteômica avançaram significativamente nosso conhecimento das comunidades microbianas ao fornecer insights independentes de cultura sobre sua composição e potencial funcional. No entanto, um desafio crítico nesta área é a falta de metadados padrão e abrangentes associados aos dados brutos, dificultando a capacidade de realizar estratificações robustas de dados e considerar fatores de confusão. Nesta revisão abrangente, categorizamos os dados de microbioma disponíveis publicamente em cinco tipos: sequenciamento shotgun, sequenciamento de amplicons, metatranscriptômico, metabolômico e metaproteômico. Exploramos a importância dos metadados para o reuso de dados e abordamos os desafios na coleta de metadados padronizados. Também avaliamos as limitações na coleta de metadados dos repositórios públicos existentes que coletam dados metagenômicos. Esta revisão enfatiza o papel vital dos metadados na interpretação e comparação dos conjuntos de dados e destaca a necessidade de protocolos padronizados de metadados para aproveitar plenamente o potencial dos dados metagenômicos. Além disso, exploramos direções futuras para a implementação do Aprendizado de Máquina (ML) na recuperação de metadados, oferecendo caminhos promissores para um entendimento mais profundo das comunidades microbianas e seus papéis ecológicos. Aproveitar essas ferramentas aprimorará nossos insights sobre as capacidades funcionais microbianas e a dinâmica ecológica em ecossistemas diversos. Por fim, enfatizamos o papel crucial dos metadados no desenvolvimento de modelos de ML.