Pesquisadores de imunologia lançaram uma ferramenta computacional para melhorar a preparação para pandemias, comparando dados de diferentes experimentos. Este algoritmo usa aprendizado de máquina para descobrir padrões em conjuntos de dados para obter uma compreensão mais profunda das respostas imunológicas. Promete avanços significativos na concepção de vacinas e na investigação imunológica, e tem amplo potencial de aplicação em vários contextos biológicos.
Os biólogos computacionais usam o aprendizado de máquina para compreender os dados do sistema imunológico. Pesquisadores do sistema imunológico desenvolveram uma ferramenta computacional para melhorar a preparação para pandemias. Os cientistas podem usar o novo algoritmo para comparar dados de experimentos muito diferentes e prever melhor como os indivíduos provavelmente responderão às doenças.
“Estamos tentando entender como os indivíduos se defendem contra diferentes vírus, mas a beleza da nossa abordagem é que você pode generalizá-la para outros contextos biológicos, como comparar diferentes medicamentos ou diferentes linhas celulares de câncer”, disse Tal Einav, Ph.D., professor assistente do Instituto La Jolla de Imunologia (LJI) e co-líder do novo estudo publicado na revista Cell Reports Methods.
O trabalho resolve um grande enigma na pesquisa médica. Os laboratórios que estudam doenças infecciosas – mesmo aqueles que estudam os mesmos vírus – recolhem tipos de dados muito diferentes. “Cada conjunto de dados é uma ilha própria”, disse Enav.
Alguns pesquisadores podem estudar modelos animais, outros podem estudar pacientes humanos. Alguns laboratórios concentram-se em crianças, outros coletam amostras de idosos imunocomprometidos. A localização também é importante. As células retiradas de pacientes australianos podem responder ao vírus de maneira diferente das células retiradas da população de pacientes alemãs, simplesmente com base na exposição anterior ao vírus nessas áreas.
“A biologia acrescenta outra camada de complexidade. Os vírus estão sempre evoluindo, o que também altera os dados”, disse Enav. "Mesmo que dois laboratórios testem os mesmos pacientes no mesmo ano, os resultados dos testes podem ser ligeiramente diferentes."
Método de cálculo unificado
Enav trabalhou em estreita colaboração com o Dr. Rong Ma, um pós-doutorado na Universidade de Stanford, para desenvolver um algoritmo para ajudar a comparar grandes conjuntos de dados. Ele foi inspirado por sua formação em física, uma disciplina na qual os cientistas podem ter certeza de que os dados estarão em conformidade com as leis conhecidas da física, não importa quão inovador seja o experimento. E é sempre igual a mc2.
“Como físico, o que gosto de fazer é juntar tudo e encontrar o princípio unificador”, disse Enav.
O novo método computacional não exige conhecimento preciso de onde ou como cada conjunto de dados foi obtido. Em vez disso, Enaf e Ma usaram aprendizado de máquina para determinar quais conjuntos de dados seguiam os mesmos padrões básicos.
“Você não precisa me dizer que determinados dados vêm de crianças, adultos ou adolescentes. Só precisamos perguntar à máquina: 'Quão semelhantes são esses dados entre si?' e então combinar conjuntos de dados semelhantes em um superconjunto para treinar algoritmos melhores", disse Enav. Com o tempo, estas comparações podem revelar princípios consistentes nas respostas imunitárias – princípios que são difíceis de encontrar nos vastos e fragmentados conjuntos de dados da imunologia.
Implicações potenciais para o desenho de vacinas e imunologia
Por exemplo, os investigadores podem conceber vacinas melhores compreendendo exatamente como os anticorpos humanos têm como alvo as proteínas virais. É aqui que a biologia se complica novamente. O problema é que os humanos podem produzir cerca de cinco milhões de anticorpos únicos. Enquanto isso, uma proteína viral pode ter mais mutações do que átomos no universo.
“É por isso que as pessoas estão coletando conjuntos de dados cada vez maiores para tentar explorar o playground quase infinito que é a biologia”, disse Enav.
Mas os cientistas não têm tempo ilimitado, por isso precisam de formas de prever grandes quantidades de dados que não conseguem realmente recolher. Enav e Ma mostraram que o seu novo método computacional pode ajudar os cientistas a preencher estas lacunas. Eles demonstraram que seu método de comparação de grandes conjuntos de dados poderia revelar inúmeras novas regras imunológicas, que poderiam então ser aplicadas a outros conjuntos de dados para prever como deveriam ser os dados faltantes.
O novo método também é suficientemente abrangente para dar credibilidade às previsões dos cientistas. Nas estatísticas, um "intervalo de confiança" é uma forma de quantificar o quão certo um cientista está sobre uma previsão.
“Essas previsões funcionam um pouco como o algoritmo da Netflix, que prevê qual filme você gostaria de assistir”, disse Enav. “O algoritmo da Netflix procura padrões nos filmes que você escolheu no passado. Quanto mais filmes (ou dados) você adicionar a essas ferramentas de previsão, mais precisas serão as previsões. a todos os dados, mas podemos fazer muito com um pequeno número de medições. Podemos não apenas estimar a confiança da previsão, mas também dizer quais experimentos adicionais maximizarão a confiança. Para mim, a verdadeira vitória sempre foi obter uma compreensão mais profunda de um sistema biológico, e esta estrutura pretende fazer exatamente isso."
Direções futuras e cooperação
Enav ingressou recentemente no corpo docente do LJI após concluir o treinamento de pós-doutorado no laboratório do Dr. Jesse Bloom no Fred Hatch Cancer Center. À medida que continua seu trabalho na LJI, ele planeja se concentrar no uso de ferramentas computacionais para aprender mais sobre as respostas imunológicas humanas a vários vírus, começando pela gripe. Ele espera colaborar com os principais imunologistas e cientistas de dados da LJI, incluindo o professor Bjoern Peters (PhD), que também é físico por formação.
“Quando você tem pessoas de diferentes origens, você consegue grandes sinergias. Com a equipe certa, finalmente é possível resolver esses grandes problemas em aberto”, disse Enav.
Fonte compilada: ScitechDaily