Fundamentos de dados para análise

01 Dados, informação, evidência e conhecimento

Dados são registros de características de eventos, objetos ou fenômenos: valores medidos, contagens, observações, textos e imagens. São insumos básicos de um sistema de informação, que reúne pessoas, processos e recursos para registrar, organizar e interpretar esses dados. Um conjunto de dados é uma coleção desses registros, com um propósito e uma origem definidos.

1. Dado: o registro fictício “A01; massa seca; 2 g” descreve uma amostra e uma medida.
2. Informação: comparar amostras medidas pelo mesmo procedimento mostra como suas massas diferem. Sem unidade e método, o número isolado pouco informa.
3. Conhecimento: na ciência, explicações sustentadas por evidências e avaliação crítica permitem compreender fenômenos e orientar novas investigações, permanecendo abertas à revisão. Processar dados não garante, por si só, uma conclusão válida.

Uma hipótese é uma explicação proposta, ainda a ser avaliada. Evidência é o papel que dados e resultados desempenham ao apoiar ou contestar uma afirmação, considerando método, contexto e limitações. No exemplo fictício, diferenças de massa descrevem as amostras; não demonstram que a temperatura causou essas diferenças. A passagem de registros a explicações exige justificativa, não apenas processamento. [20]

Dados podem ser ativos estratégicos: seu acesso, controle e capacidade de análise influenciam pesquisa, economia e relações geopolíticas. Seu valor depende da pergunta, da qualidade e das condições de uso; acumular registros não substitui governança. No Kannabium, preservar fonte, versão e contexto permite revisar uma interpretação sem perder o registro original.

Para aprofundar o estudo de análise de dados e aprendizado de máquina, consulte as obras de Faceli e colaboradores e de Fávero e Belfiore, indicadas como leitura complementar. [14] [15]

02 Caracterizar antes de analisar

Um mesmo conjunto pode ser descrito por vários critérios. Eles se complementam; não são categorias que competem entre si.

Estrutura

Como os registros estão organizados: tabela com campos fixos, documento com campos flexíveis ou conteúdo como imagem e texto livre.

Tempo e frequência

Uma fotografia de um momento, medições repetidas ou um fluxo contínuo. Registre datas, intervalos e lacunas: nem toda série tem observações igualmente espaçadas.

Dependência

Medições da mesma planta ao longo do tempo, indivíduos aparentados e locais próximos podem ser relacionados. Tratá-los como observações independentes pode distorcer a análise.

Volume

Considere número de registros e atributos, tamanho dos arquivos e recursos disponíveis. Uma tabela pequena e uma coleção de genomas exigem estratégias diferentes de armazenamento e processamento.

Big Data: transformação digital, arquitetura e análise

Big Data é um fenômeno da transformação digital marcado pela produção e circulação massiva de dados em redes, serviços e sistemas conectados. No sentido técnico, designa conjuntos cujas características — volume, variedade, velocidade e/ou variabilidade — exigem uma arquitetura escalável e tecnologias adequadas para armazenamento, processamento e análise eficientes. O conceito reúne, portanto, os desafios dos dados e a capacidade tecnológica necessária para tratá-los. [16]

Uma arquitetura escalável consegue ampliar sua capacidade à medida que a demanda cresce. Isso pode significar adicionar recursos ou distribuir o armazenamento e o processamento entre várias máquinas. Esse tratamento combina tecnologias de coleta, integração, armazenamento e análise, escolhidas conforme as operações, o prazo de resposta e os recursos disponíveis; não há um corte universal em linhas ou gigabytes. Mais dados também não garantem informação útil: qualidade, contexto e métodos continuam essenciais.

Exemplo de enquadramento: integrar sequências genômicas, imagens e séries de sensores de muitas amostras pode exigir esse tratamento. A presença de um arquivo FASTA (formato textual de sequências) ou de vários formatos, por si só, não caracteriza Big Data. É necessário avaliar a carga de trabalho e a capacidade de processá-la.

Esses dados podem vir de registros de acesso à Web, comércio eletrônico, redes sociais, documentos, sensores, identificação por radiofrequência (RFID) e posicionamento por satélite (GPS). Também são produzidos na astronomia, nas ciências atmosféricas, na genômica, em experimentos bioquímicos e em registros clínicos, de telefonia, imagens e vídeos. Cada origem traz requisitos próprios de integração, processamento e interpretação.

• Volume: é a quantidade de dados gerados, reunidos e mantidos. Em escala massiva, armazenar e analisar esses registros pode exigir ampliação da capacidade, processamento distribuído e ferramentas especializadas, conforme a carga de trabalho. O planejamento considera registros, atributos, tamanho dos arquivos e crescimento esperado.
• Velocidade: é o ritmo de geração, coleta e processamento dos dados, em relação ao tempo disponível para utilizá-los. Redes sociais e sistemas de monitoramento podem produzir fluxos contínuos; a infraestrutura precisa acompanhar sua chegada e entregar resultados no prazo exigido pela aplicação.
• Variedade: é a diversidade de fontes, estruturas e formatos, como planilhas, textos, imagens, áudios, vídeos e sequências biológicas. Integrá-los exige reconhecer o significado de cada registro e compatibilizar identificadores, unidades e metadados, preservando as diferenças relevantes para a análise.
• Valor: é a utilidade dos dados para uma pergunta, uma investigação ou uma decisão. Nem todo registro contribui da mesma forma. A análise procura selecionar e combinar o que é relevante para produzir informação útil; quantidade acumulada, por si só, não representa benefício.
• Veracidade: diz respeito à confiabilidade e à autenticidade dos registros e de sua origem. Exige avaliar erros, lacunas, vieses e possíveis manipulações, além de documentar métodos e transformações. A rastreabilidade ajuda a verificar interpretações e a comunicar incertezas, reduzindo o risco de conclusões enganosas.
• Variabilidade: mudanças no ritmo, na distribuição ou no significado dos registros ao longo do tempo.
• Complexidade: dificuldade de integrar fontes, relações, unidades e contextos diferentes.

As dimensões se complementam: volume, velocidade e variedade orientam o planejamento tecnológico; valor e veracidade ajudam a avaliar utilidade e qualidade. Variabilidade e complexidade acrescentam os desafios de mudança e integração. As listas de “Vs” variam entre autores e não são um teste automático de classificação.

03 Organização dos registros

Objetos nas linhas, atributos nas colunas

Neste exemplo, cada linha representa um objeto — aqui, uma amostra. Cada coluna após o identificador representa um atributo, isto é, uma característica registrada. São n = 3 objetos e d = 5 atributos: uma matriz X de 3 × 5. O identificador distingue os objetos e, neste exemplo, fica fora de X.

Em telas estreitas, deslize as tabelas para ver todas as colunas. Pelo teclado, leve o foco à tabela e use as setas horizontais.

Leitura da linha A01: a amostra é uma folha com massa seca de 2 g; 10 °C é a temperatura do ar na coleta. Material é categórico; massa e temperatura são numéricos. Para algoritmos que exigem entradas numéricas, as categorias precisam ser codificadas.

O que cada atributo pode receber?

Um dicionário de dados informa significado, tipo, unidade e valores admitidos. Atributos qualitativos ou categóricos descrevem classes. Os quantitativos ou numéricos expressam quantidades: discretos resultam de contagens; contínuos representam medidas como massa, tamanho e distância, registradas com resolução e incerteza próprias do método. Nem todo número é uma quantidade: códigos de identificação são rótulos.

Uma observação ausente precisa de uma convenção própria, documentada separadamente dos valores válidos. Codificar baixa, média e alta como 1, 2 e 3 não demonstra diferenças iguais entre as categorias.

Precisão, resolução e incerteza: precisão descreve a concordância entre medições repetidas sob condições definidas; resolução é a menor mudança que produz uma alteração perceptível na indicação do instrumento. A incerteza caracteriza a dispersão dos valores que podem ser atribuídos à grandeza medida, com base nas informações disponíveis. Nenhuma dessas propriedades é determinada apenas pelo número de casas decimais. VIM — Vocabulário Internacional de Metrologia. [21]

Aplicação prática: dados reais e suas origens

A tabela didática acima ensina a organização dos dados. Os casos abaixo mostram a mesma leitura em registros do banco Kannabium, fontes químicas como ChEBI (base de entidades químicas) e um conjunto de dados usado no site. Cada linha apresenta um caso distinto, não uma amostra do mesmo experimento. Esses casos não formam uma matriz de objetos comparáveis entre si.

04 Tipos de variável e escalas de medição

Uma variável é uma característica registrada. Na tabela de amostras, cada coluna representa uma variável: material é categórico; massa é numérica. Uma tabela pode reunir variáveis de escalas diferentes.

No Kannabium, Plantae–Animalia conecta conteúdos da planta e estudos em animais. A THCA sintase é uma enzima da biossíntese do ácido tetraidrocanabinólico (THCA). O Δ⁹-tetraidrocanabinol (THC) é um canabinoide; o receptor canabinoide tipo 1 (CB1) é uma proteína receptora, não um canabinoide.

Exemplo com temperatura: 10, 20 e 30 °C têm intervalos iguais de 10 °C. Entretanto, 20 °C não é o dobro da temperatura termodinâmica de 10 °C: Celsius usa um zero convencional, não ausência de temperatura. Compare diferenças em °C, não razões entre esses valores. [3]

As faixas de resposta dependem do ensaio e dos seus controles; não são uma classificação universal. Contar moléculas em um modelo não mede afinidade de ligação nem efeito biológico.

Códigos como 001 e 002 identificam amostras. Embora usem números, não representam quantidades nem permitem comparar as amostras como maiores ou menores.

05 Sequências, estruturas e outros dados biológicos

Na bioinformática, registros de sequência, estrutura, localização e imagem representam aspectos diferentes dos objetos estudados. Identificar o que cada registro descreve é o primeiro passo para escolher como analisá-lo.

Estruturas de biomoléculas

O PDB reúne modelos tridimensionais de proteínas, ácidos nucleicos e seus complexos. A sequência informa a ordem das unidades da molécula; o modelo registra sua disposição espacial. Em PDBx/mmCIF (formato de dados estruturais), as posições dos átomos modelados são registradas por coordenadas x, y e z, em ångströms (Å), unidade de comprimento em escala atômica. Regiões da molécula podem ficar sem coordenadas. Exemplo real: modelo da THCA sintase obtido por cristalografia de raios X, PDB 3VTE. [6] [7]

Dados geoespaciais

Relacionam informações a uma localização. Exemplo: tabela de registros botânicos com espécie, latitude, longitude, data e fonte. As coordenadas permitem representar os registros em um mapa. Para combinar registros, verifique o sistema de referência das coordenadas e a incerteza da localização, quando informada. O mapa mostra registros disponíveis; uma área sem registros não comprova ausência da espécie. [8]

Imagens, áudio e vídeo

Registram informação visual ou sonora. Exemplos: foto de tricomas, gravação de entrevista e vídeo de uma simulação molecular. No vídeo, a molécula aparece como imagem; para calcular distâncias entre átomos, são necessárias as coordenadas da estrutura ou da trajetória, que registra posições dos átomos ao longo do tempo. [1]

Representações de dados e combinações multimodais

A lista reúne formas de representar dados, não classes mutuamente exclusivas: uma sequência pode ser registrada em texto, e um vídeo pode incluir áudio. Multimodal indica a combinação de modalidades, não uma modalidade básica adicional. Estrutura e escala de medição são outros critérios.

Sequências biológicas: DNA, RNA e proteínas

Sequências representam uma ordem: de nucleotídeos, as unidades que compõem DNA e RNA, ou de aminoácidos nas proteínas. Após processamento e anotação, podem integrar bancos especializados: o GenBank reúne sequências de nucleotídeos; o UniProt, sequências proteicas e informações sobre sua função. [5] [17]

Na análise, use uma versão definida da sequência para fixar o conteúdo estudado. Anotações podem ser atualizadas sem alteração da sequência; uma versão da sequência não congela todo o registro do banco. Preserve identificador, versão e data de acesso. [5]

No FASTA, cada registro começa por um cabeçalho, seguido pela sequência. As regras do formato organizam essa informação em um arquivo de texto. O termo “bruto” descreve o estágio de processamento dos dados; a estrutura descreve como o conteúdo está organizado. Veja esses elementos em Leia um FASTA real do projeto. [5]

06 Do registro original ao conjunto de dados

Dados utilizáveis exigem mais que um formato correto. A identificação taxonômica, a origem da observação e o significado da medida precisam permanecer rastreáveis.

Identidade taxonômica

Guarde o nome como publicado, sua autoria e, quando disponível, o exemplar-testemunho. Registre separadamente o nome normalizado, a base consultada e a data ou versão. Correspondência automática de nomes não confirma a identificação da planta. [10]

Traços em textos do GBIF

Katori e Oguro recuperaram traços de descrições associadas a registros do GBIF. Para transformar texto em campos de análise, preserve a passagem original, o identificador do registro, a regra de extração e a unidade. Cobertura ampliada não garante equivalência entre medidas nem a presença de uma espécie específica. [11]

Origem e transformação do valor

Indique se o valor foi observado ou medido, derivado por cálculo ou imputado para preencher uma lacuna ou substituir um registro inválido. Preserve o valor original e documente a transformação, o método e a incerteza. Uma estimativa imputada não deve ser apresentada como medida observada. A dependência estatística entre registros é uma questão distinta. [22]

Órgão, método e detecção

No perfil químico de Jin e colaboradores, inflorescências, folhas, cascas de caule e raízes foram analisadas separadamente. Preserve órgão, material, unidade e replicação. Não detectado, não medido e concentração igual a zero são situações distintas. A não detecção depende do método e do limite de detecção; não demonstra ausência do composto. [12]

Exemplos de aplicação da literatura: Ferreira de Lima e colaboradores (2026), Katori e Oguro (2026) e Jin e colaboradores (2020). São estudos externos, não experimentos realizados pelo Kannabium.