A inteligência artificial (IA) está ajudando a ampliar nossa compreensão do sistema imunológico, incluindo como ele responde e armazena informações sobre patógenos externos e doenças. Johannes Textor, da Universidade Radboud, na Holanda, nos conta mais.
Tecnologias disruptivas já impactam significativamente a forma como monitoramos, diagnosticamos e gerenciamos infecções e doenças. Claro, um componente-chave na determinação da trajetória de qualquer doença ou infecção no corpo é como o nosso sistema imunológico responde ao mesmo. Composto por uma complexa rede de órgãos, tecidos e células, ele processa e armazena informações sobre patógenos invasores para melhor proteger o corpo de invasões futuras.
Avanços tecnológicos estão permitindo que cientistas aproveitem o poder da IA e da modelagem computacional para melhor compreender os mecanismos desse sistema vasto e um tanto enigmático, na esperança de que isso possa informar o desenvolvimento de diagnósticos e terapêuticas mais eficazes.
Para entender como os cientistas estão tentando replicar artificialmente certos aspectos do sistema imunológico, Lorna Rothery conversou com Johannes Textor, que lidera o grupo de imunologia computacional da Universidade Radboud na Holanda. Sua pesquisa se concentra principalmente no projeto e na aplicação de modelos de simulação e Aprendizado de Máquina para examinar o processamento de informações no sistema imunológico adaptativo.
Como o campo da imunologia computacional foi estabelecido e o que ele envolve?
O campo da imunologia computacional tem uma longa história que realmente decolou no início dos anos 1990 como parte da pesquisa de biosegurança realizada em Los Alamos, nos Estados Unidos. O biólogo Alan Perelson, agora pesquisador sênior do Laboratório Nacional de Los Alamos, estava trabalhando em modelos quantitativos e computacionais do sistema imunológico, o que na época era realmente inovador. Os pesquisadores colaboraram com cientistas da computação para ampliar sua compreensão do sistema imunológico, enquanto também usavam essa pesquisa como um modelo para construir sistemas de computador mais seguros protegidos contra vírus. Foram publicados artigos sobre o uso de modelos computacionais para entender o sistema imunológico, e essa pesquisa também informaria a criação de algoritmos de computador para proteger as máquinas de vírus.
As pessoas inicialmente estavam entusiasmadas com a ideia de sistemas imunológicos artificiais, e mais e mais grupos ao redor do mundo se juntaram a esse esforço de pesquisa; até mesmo uma conferência dedicada foi criada, algo que nunca tinha sido feito antes. No entanto, à medida que as pessoas começaram a perceber quão complexo é o sistema imunológico e lutaram para avançar em suas pesquisas além do estágio de protótipo, o impulso no campo diminuiu.
Desde então, o campo da imunologia computacional, que incorpora a análise estatística de dados imunológicos, tornou-se mais convencional, mas o uso do sistema imunológico como modelo para algoritmos de computador ainda é muito de nicho.
Como você aborda o projeto de sistemas imunológicos artificiais? Como eles podem nos ajudar a prever como o corpo responderá a uma infecção ou vacinação específica, por exemplo?
O sistema imunológico pode reagir da mesma maneira a estímulos diferentes e aprender com experiências passadas. Portanto, a forma como os sistemas são projetados depende da pergunta de pesquisa que você está tentando responder. Além de ser um sistema complexo de substâncias químicas interagindo, o sistema imunológico também contém vários subsistemas que aumentam a complexidade do design. Algumas pessoas optam por uma abordagem mais ampla e holística ao construir um sistema imunológico artificial, mas isso é um empreendimento ambicioso, dada sua complexidade; não acredito que saibamos o suficiente sobre o sistema e seus processos para produzir uma representação realista. Outros produziram modelos muito simples, mas igualmente úteis, do sistema imunológico que consistem em uma única equação matemática. Alan Perelson, por exemplo, escreveu um artigo famoso em que usou modelos matemáticos simples para prever como pessoas com HIV reagiriam aos tratamentos antirretrovirais e se precisariam tomar esses tratamentos pelo resto de suas vidas.
Minha equipe e eu estamos nos concentrando nas células T e na construção de modelos do braço das células T do sistema imunológico adaptativo, que representam o tamanho e a complexidade dos repertórios dos receptores de células T. O braço inato do sistema imunológico é composto por neutrófilos, macrófagos e outras células que, embora desempenhem um papel importante na proteção do corpo contra patógenos invasores, não exibem os mesmos mecanismos avançados de aprendizado das células T e B. Esperamos eventualmente prever as respostas das células T, mas essas também envolvem interações moleculares entre as células T e epítopos, que são difíceis de prever. No momento, não podemos dizer olhando para a sequência de um receptor de célula T a qual epítopo ele vai reagir. A Inteligência Artificial, combinada com mais dados, ajudaria a resolver esse problema.
Em princípio, espero que em algum momento possamos saber o suficiente para fazer modelos que possam prever respostas imunológicas, de maneira semelhante a como um modelo prevê se vai chover ou a trajetória do clima com base nas informações disponíveis, simplesmente simulando o processo. Cada pessoa possui repertórios únicos de células T, então há muita informação que você poderia potencialmente usar para entender melhor por que certas pessoas reagem ou não a determinados tratamentos, por exemplo. No câncer, vemos muitas respostas heterogêneas ao mesmo tratamento, e queremos entender o porquê; parte disso se deve à complexidade do sistema imunológico e às diferenças entre as pessoas.
Como o sistema imunológico difere de outros sistemas de processamento de informações, como o cérebro e o sistema nervoso central? Da mesma forma, como esses sistemas interagem entre si?
No cérebro, temos uma rede de células semelhantes com várias complexidades e conexões. Essa é o que codifica a complexidade do sistema e funciona como um circuito, calculando diversas funções. Agora podemos criar sistemas de Aprendizado de Máquina poderosos com base nesse paradigma, mas o sistema imunológico é muito diferente. Ele é composto por células individuais mais distribuídas do que os neurônios e não faz conexões estáticas da mesma maneira. A complexidade das células imunológicas no nível genético é muito maior do que a dos neurônios, embora o sistema imunológico como um todo seja talvez menos complexo do que o sistema nervoso central. Houve muita pesquisa sobre as interações entre o sistema nervoso central e o sistema imunológico - existe até mesmo um subcampo dedicado chamado neuroimunologia que opera na interseção.
As células imunológicas possuem maquinaria genética sofisticada que só pode ser encontrada dentro delas, e cada célula recebe um novo receptor feito especificamente para ela. Por exemplo, há uma alta probabilidade de que uma única célula T do meu corpo tenha um receptor único para aquela célula, que nenhuma outra célula do meu corpo carrega. É aí que reside a enormidade e a complexidade. A maneira como essas células interagem e aprendem é muito diferente de como o cérebro aprende. As pessoas têm estudado isso no contexto de sistemas de aprendizado de classificadores e fazendo modelos abstratos de agentes que são simples e muito diferentes. Eles aprendem coletivamente reforçando os agentes que tomam as decisões corretas.
Trabalhei com neurocientistas para estudar o sono e o impacto do sono nos sistemas imunológicos. Podemos ver que o sono ajuda o cérebro a aprender, mas também ajuda o sistema imunológico a aprender. As pessoas sabem que dormir bem é bastante importante para a saúde geral, e isso foi demonstrado em laboratório. Houve um ensaio clínico randomizado no qual os participantes receberam uma vacinação e metade deles ficou acordada, enquanto a outra metade foi dormir como de costume; ainda é possível detectar a diferença na resposta do sistema imunológico um ano depois.
Há uma interação entre os sistemas, mas igualmente, pode haver outros processos acontecendo durante o sono que têm impacto, como mudanças nos níveis hormonais; os mecanismos não estão totalmente claros. Ainda é uma área de pesquisa empolgante, mas também é bastante de nicho, porque você precisa entender ambos esses sistemas; é um feito bastante grandioso.
E quanto aos papéis do sistema imunológico e do envelhecimento no desenvolvimento de doenças crônicas, como o câncer?
Certas coisas acontecem no sistema imunológico à medida que envelhecemos, ao longo da vida, a diversidade do sistema imunológico diminui porque não produzimos tantas células novas. A glândula timo, que produz glóbulos brancos, começa a encolher, a partir de idades tão jovens quanto 14-18 anos. Esse processo é chamado de imunossenescência. A pesquisa mostra que você pode compensar o envelhecimento do sistema imunológico em parte, tendo células mais experientes e, portanto, melhor capazes de combater os patógenos mais comuns. Parte da minha pesquisa envolve apoiar estudos focados em tratamentos contra o câncer, projetando-os de maneira melhor e mais eficiente, o que torna possível encontrar tratamentos eficazes.
Devido à abundância de dados que temos, a pesquisa médica pode se tornar ciência de dados, na prática. Muitos estudantes de doutorado, mesmo em departamentos clínicos, estão os coletando e analisando, enquanto 20 anos atrás, seu foco principal poderia ter sido apenas coletá-los. Agora, você pode coletar muitos dados relativamente facilmente, mas poucas pessoas conseguem analisá-los bem. Há uma grande necessidade de uma interseção de estudantes de doutorado que tenham habilidades de laboratório e habilidades computacionais, ou equipes interdisciplinares trabalhando juntas.
O que você acha que são os maiores desafios ao desenvolver tecnologias disruptivas para o setor de saúde?
Historicamente, no que diz respeito ao desenvolvimento de novos tratamentos, o retorno sobre o investimento em pesquisa e desenvolvimento está diminuindo. Isso se deve em parte ao fato de que os frutos mais baixos no contexto de novos medicamentos já foram colhidos, e o desenvolvimento de tratamentos para doenças mais complexas ou mais raras é mais difícil. Outro desafio é a crescente quantidade de complexidade e informações com as quais temos que lidar no espaço clínico ao coletar medições, como sequenciamento de RNA de célula única ou tecnologias avançadas de imagem. Muitas pessoas estão analisando dados muito complicados, mas não são realmente qualificadas para fazê-lo; elas não são cientistas de dados treinados e podem criar descobertas que acabam sendo um acaso ou apenas o resultado de como uma determinada análise foi conduzida. Subestimar esse aspecto, na minha opinião, é um dos maiores desafios.
A cultura acadêmica, na qual há pressão para publicar rapidamente artigos de alto impacto, como vimos com a explosão de artigos tentando aplicar o Aprendizado de Máquina para prever respostas a tratamentos, muitas vezes dilui a qualidade e validade da ciência que estamos fazendo. Projetos internacionais e programas de financiamento multinacionais são uma boa oportunidade para reunir pessoas de diferentes áreas e com experiências variadas, não é incomum agora que as pessoas tenham experiência em ciência experimental e computacional.
A IA e a ciência de dados provavelmente desempenharão um papel maior na área da saúde no futuro?
Muitas pessoas têm expectativas irreais sobre o que realmente significa usar a IA em configurações de saúde, por exemplo, que o médico será substituído pela programação de computadores. Quando falamos sobre seu uso, é provável que não substituamos as pessoas por máquinas, mas criemos novos softwares que apoiarão os profissionais de saúde e, esperançosamente, aliviarão sua carga administrativa.
Enquanto as novas tecnologias estão avançando rapidamente, nem sempre há um caminho claro para sua integração. O pesquisador de IA Geoffrey Hinton previu há sete anos que não precisaríamos mais de radiologistas, porque a tecnologia superaria suas habilidades e os substituiria, mas claramente, isso não tem sido o caso. Sim, podemos criar programas de computador que podem identificar tumores e apoiar os patologistas em seu trabalho de maneira mais rápida e eficaz, mas ainda assim, é necessário ter humanos envolvidos. Precisamos reconhecer que o nível de tecnologia sofisticada já sendo usada na clínica é extremamente alto.