Notícia

Novo método de Inteligência Artificial poderia ajudar cientistas a identificar novas técnicas de imunoterapia ou terapias regenerativas

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

quarta-feira, 4 outubro 2023 18:10

Áreas

Bioinformática. Biologia. Biotecnologia. Computação. Engenharia Biológica. Genética. Genoma. Imunoterapia. Inteligência Artificial. Medicina de Precisão. Microbiologia. Oncologia. Terapia Genética.

Uma estratégia para a reprogramação celular envolve o uso de intervenções genéticas direcionadas para transformar uma célula em um novo estado. A técnica é muito promissora na imunoterapia, por exemplo, onde os cientistas poderiam reprogramar as células T de um paciente para que sejam mais potentes no combate ao câncer. No futuro, a abordagem também poderá ajudar a identificar tratamentos contra o câncer ou terapias regenerativas que reparem órgãos afetados por doenças.

Mas o corpo humano tem cerca de 20.000 genes, e uma perturbação genética pode estar em uma combinação de genes ou em qualquer um dos mais de 1.000 fatores de transcrição que regulam os genes. Como o espaço de busca é vasto e os experimentos genéticos são caros, os cientistas muitas vezes lutam para encontrar a perturbação ideal para sua aplicação específica.

Recentemente, pesquisadores do Instituto de Tecnologia de Massachusetts (MIT) e da Universidade de Harvard, nos Estados Unidos, desenvolveram uma nova abordagem computacional que pode identificar com eficiência perturbações genéticas ideais com base em um número muito menor de experimentos do que os métodos tradicionais.

Sua técnica algorítmica aproveita a relação de causa e efeito entre fatores em um sistema complexo, como a regulação do genoma, para priorizar a melhor intervenção em cada rodada de experimentos sequenciais.

Os pesquisadores conduziram uma análise teórica rigorosa para determinar se a sua técnica identificou, de fato, as intervenções ideais. Com essa estrutura teórica estabelecida, eles aplicaram os algoritmos a dados biológicos reais projetados para imitar um experimento de reprogramação celular. Seus algoritmos foram os mais eficientes e eficazes.

“Muitas vezes, experimentos em grande escala são projetados empiricamente. Uma estrutura causal cuidadosa para a experimentação sequencial pode permitir a identificação de intervenções ideais com menos ensaios, reduzindo assim os custos experimentais”, afirmou a Dra. Caroline Uhler, coautora do estudo e professora do Departamento de Engenharia Elétrica e Ciência da Computação (EECS) do MIT.

Dentre os coautores do estudo, publicado na revista científica Nature Machine Intelligence, estão Jiaqi Zhang, estudante de pós-graduação; o Dr. Themistoklis Sapsis, coautor sênior e professor de Engenharia Mecânica e Oceânica no MIT; e outros colegas pesquisadores em Harvard e no MIT.

Aprendizado ativo

Quando os cientistas tentam conceber uma intervenção eficaz para um sistema complexo, como a reprogramação celular, muitas vezes realizam experiências sequencialmente. Essas configurações são ideais para o uso de uma abordagem de aprendizado de máquina chamada aprendizado ativo. Amostras de dados são coletadas e usadas para aprender um modelo do sistema que incorpora o conhecimento adquirido até o momento. A partir deste modelo, é desenhada uma função de aquisição – uma equação que avalia todas as intervenções potenciais e escolhe a melhor para testar no próximo ensaio.

Este processo é repetido até que uma intervenção ideal seja identificada (ou os recursos para financiar as experiências subsequentes se esgotem). “Embora existam várias funções genéricas de aquisição para projetar experimentos sequencialmente, elas não são eficazes para problemas dessa complexidade, levando a uma convergência muito lenta”, explicou o professor Themistoklis Sapsis.

As funções de aquisição normalmente consideram a correlação entre fatores, como quais genes são coexpressos. Mas focar apenas na correlação ignora as relações regulatórias ou a estrutura causal do sistema. Por exemplo, uma intervenção genética só pode afetar a expressão de genes a jusante, mas uma abordagem baseada na correlação não seria capaz de distinguir entre genes que estão a montante ou a jusante.

Os pesquisadores do MIT e de Harvard aproveitaram esta estrutura causal subjacente para a sua técnica. Primeiro, eles construíram cuidadosamente um algoritmo para que ele pudesse aprender apenas modelos do sistema que levassem em conta as relações causais. Em seguida, os pesquisadores projetaram a função de aquisição para avaliar automaticamente as intervenções usando informações sobre essas relações causais. Eles criaram essa função para priorizar as intervenções mais informativas, ou seja, aquelas com maior probabilidade de levar à intervenção ideal em experimentos subsequentes.

“Ao considerar modelos causais em vez de modelos baseados em correlações, já podemos descartar certas intervenções. Então, sempre que você obtiver novos dados, poderá aprender um modelo causal mais preciso e, assim, reduzir ainda mais o espaço de intervenções”, explicou a Dra. Caroline Uhler.

Este menor espaço de busca, aliado ao foco especial da função de aquisição nas intervenções mais informativas, é o que torna a abordagem proposta tão eficiente.

Os pesquisadores melhoraram ainda mais sua função de aquisição usando uma técnica conhecida como ponderação de saída, inspirada no estudo de eventos extremos em sistemas complexos. Este método enfatiza cuidadosamente as intervenções que provavelmente estarão mais próximas da intervenção ideal.

“Essencialmente, vemos uma intervenção ideal como um ‘evento extremo’ dentro do espaço de todas as intervenções possíveis e subótimas e usamos algumas das ideias que desenvolvemos para estes problemas”, disse o professor Sapsis.

Acesse o resumo do artigo científico (em inglês).

Acesse a notícia completa na página do Instituto de Tecnologia de Massachusetts (em inglês).

Fonte: Adam Zewe, MIT News. Imagem: vecstock via Freepik.

Em suas publicações, o Canal Farma da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Canal Farma tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.