Pesquisadores do Massachusetts Institute of Technology (MIT) e da Microsoft estão utilizando inteligência artificial (IA) para desenvolver sensores moleculares voltados à detecção precoce do câncer, um avanço que pode ampliar significativamente as chances de tratamento bem-sucedido da doença. A abordagem combina nanotecnologia, biologia molecular e modelos de IA para identificar sinais de câncer ainda em fases iniciais, quando os tumores são mais difíceis de detectar por métodos tradicionais.
A pesquisa se baseia no uso de nanopartículas revestidas por peptídeos, pequenas cadeias de proteínas, projetados para reagir à ação de proteases, enzimas que costumam apresentar atividade elevada em células cancerígenas. Quando essas proteases entram em contato com os peptídeos, ocorre uma clivagem molecular que gera um sinal detectável. Esse sinal pode ser identificado por meio de um exame simples de urina, abrindo caminho para testes que poderiam ser realizados até mesmo em casa.
Dependendo do conjunto de proteases ativadas, os pesquisadores acreditam ser possível não apenas identificar a presença do câncer, mas também indicar o tipo específico da doença. Isso porque diferentes tumores apresentam padrões distintos de atividade enzimática, o que cria uma espécie de “assinatura molecular” associada a cada caso.
Leia também: Série Inovadores pelo Mundo: “O brasileiro precisa descobrir o quão bom ele é”, diz vice-presidente da Ericsson
A estratégia não é completamente nova. Há mais de uma década, o laboratório liderado por Sangeeta Bhatia, professora do MIT e integrante do Koch Institute for Integrative Cancer Research, já explorava o uso da atividade de proteases como marcador de câncer precoce. O desafio, até então, estava na identificação de peptídeos suficientemente específicos, já que muitos deles podiam ser clivados por mais de uma protease, dificultando a interpretação dos resultados.
Ensinamentos anteriores
Nos estudos anteriores, os pesquisadores recorreram a processos de tentativa e erro para selecionar os peptídeos utilizados nos sensores. Embora arrays multiplexados, com vários peptídeos diferentes, tenham permitido distinguir tipos de câncer em modelos animais, a falta de especificidade limitava a precisão diagnóstica e o entendimento dos mecanismos biológicos envolvidos.
O avanço apresentado agora vem do uso de um novo sistema de inteligência artificial, batizado de CleaveNet. O modelo foi desenvolvido para projetar sequências de peptídeos com alto grau de eficiência e seletividade para proteases específicas. Em vez de testar combinações manualmente, os pesquisadores podem definir critérios de interesse, e o sistema gera candidatos com maior probabilidade de atender a esses requisitos.
O CleaveNet funciona de maneira semelhante a modelos de linguagem, mas aplicado à biologia. Ele foi treinado com dados públicos de cerca de 20 mil peptídeos e suas interações com proteases de uma família conhecida como metaloproteinases de matriz (MMPs). A partir desse aprendizado, o sistema é capaz de prever tanto quais sequências serão clivadas quanto a eficiência dessa clivagem.
Para validar o método, o grupo focou na protease MMP13, associada à capacidade de células cancerígenas degradarem colágeno e se espalharem pelo organismo. O modelo conseguiu gerar sequências inéditas de peptídeos que demonstraram alta seletividade e eficiência para essa enzima específica, mesmo sem terem sido observadas nos dados de treinamento.
Segundo os pesquisadores, esse nível de precisão pode reduzir o número de sensores necessários para identificar um tipo de câncer, além de ajudar na descoberta de novos biomarcadores e no mapeamento de vias biológicas relevantes para diagnóstico e terapias. Atualmente, o laboratório de Bhatia participa de um projeto financiado pela ARPA-H com o objetivo de desenvolver um kit diagnóstico capaz de detectar e diferenciar até 30 tipos de câncer em estágios iniciais, com base na atividade de diferentes classes de proteases.
Além do uso em diagnóstico, os peptídeos projetados por IA também podem ser incorporados a terapias contra o câncer. Um exemplo seria o acoplamento desses peptídeos a anticorpos ou medicamentos, permitindo que a liberação do tratamento ocorra apenas no ambiente tumoral, onde as proteases estão ativas.
A combinação entre nanotecnologia, biologia e inteligência artificial também pode viabilizar, no futuro, a criação de um atlas abrangente da atividade de proteases em diferentes tipos de câncer. Esse tipo de base de dados poderia acelerar pesquisas em detecção precoce, desenvolvimento de terapias e modelagem computacional aplicada à biomedicina.
Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!
