IA supera especialistas na previsão da qualidade futura de ‘miniórgãos’

Os organoides – tecidos em miniatura cultivados em laboratório que imitam a função e a estrutura dos órgãos – estão transformando a pesquisa biomédica. Eles prometem avanços em transplantes personalizados, melhor modelagem de doenças como Alzheimer e câncer, e insights mais precisos sobre os efeitos dos medicamentos.

Agora, pesquisadores da Universidade de Kyushu e da Universidade de Nagoya, no Japão, desenvolveram um modelo que usa inteligência artificial (IA) para prever o desenvolvimento de organoides em um estágio inicial. O modelo, que é mais rápido e preciso do que pesquisadores especialistas, poderia melhorar a eficiência e reduzir o custo do cultivo de organoides.

Neste estudo, publicado em Biologia das Comunicações em 6 de dezembro de 2024, os pesquisadores se concentraram em prever o desenvolvimento de organoides hipotálamo-hipófise.

Esses organoides imitam as funções da glândula pituitária, incluindo a produção do hormônio adrenocorticotrófico (ACTH): um hormônio crucial para regular o estresse, o metabolismo, a pressão arterial e a inflamação. A deficiência de ACTH pode causar fadiga, anorexia e outros problemas que podem ser fatais.

“Em nosso laboratório, nossos estudos em ratos mostram que o transplante de organoides hipotálamo-hipófise tem o potencial de tratar a deficiência de ACTH em humanos”, diz o autor correspondente Hidetaka Suga, professor associado da Escola de Pós-Graduação em Medicina da Universidade de Nagoya.

No entanto, um desafio importante para os pesquisadores é determinar se os organoides estão se desenvolvendo corretamente. Derivado de células-tronco suspensas em líquido, os organoides são sensíveis a mínimas mudanças ambientais, resultando em variabilidade em seu desenvolvimento e qualidade final.

Os investigadores descobriram que um sinal de boa progressão é a ampla expressão de uma proteína chamada RAX numa fase inicial de desenvolvimento, o que muitas vezes resulta em organoides com forte secreção de ACTH mais tarde.

“Podemos acompanhar o desenvolvimento modificando geneticamente os organoides para tornar a proteína RAX fluorescente”, diz Suga. “No entanto, os organoides destinados ao uso clínico, como o transplante, não podem ser geneticamente modificados para apresentar fluorescência. Portanto, nossos pesquisadores devem julgar com base no que veem com os olhos: um processo demorado e impreciso.”

Suga e os seus colegas em Nagoya colaboraram, portanto, com Hirohiko Niioka, professor da Data-Driven Innovation Initiative na Universidade de Kyushu, para treinar modelos de aprendizagem profunda para o trabalho.

“Os modelos de aprendizagem profunda são um tipo de IA que imita a forma como o cérebro humano processa a informação, permitindo-lhes analisar e categorizar grandes quantidades de dados através do reconhecimento de padrões”, explica Niioka.

Os pesquisadores de Nagoya capturaram imagens fluorescentes e imagens de campo claro – que mostram a aparência dos organoides sob luz branca normal sem qualquer fluorescência – de organoides com proteínas RAX fluorescentes aos 30 dias de desenvolvimento.

Usando as imagens fluorescentes como guia, eles classificaram 1.500 imagens de campo claro em três categorias de qualidade: A (ampla expressão RAX, alta qualidade); B (expressão RAX média, qualidade média) e C (expressão RAX estreita, qualidade baixa).

Niioka então treinou dois modelos avançados de aprendizado profundo, EfficientNetV2-S e Vision Transformer, desenvolvidos pelo Google para reconhecimento de imagem, para prever a categoria de qualidade dos organoides. Ele usou 1.200 imagens de campo claro (400 em cada categoria) como conjunto de treinamento.

Após o treinamento, Niioka combinou os dois modelos de aprendizagem profunda em um modelo conjunto para melhorar ainda mais o desempenho. A equipe de pesquisa usou as 300 imagens restantes (100 de cada categoria) para testar o modelo de conjunto agora otimizado, que classificou as imagens de campo claro de organoides com 70% de precisão.

Em contraste, quando investigadores com anos de experiência com cultura organoide previram a categoria das mesmas imagens de campo claro, a sua precisão foi inferior a 60%.

“Os modelos de aprendizagem profunda superaram os especialistas em todos os aspectos: na precisão, na sensibilidade e na velocidade”, diz Niioka.

A próxima etapa foi verificar se o modelo de conjunto também era capaz de classificar corretamente imagens de organoides de campo claro sem modificação genética para tornar o RAX fluorescente.

Os pesquisadores testaram o modelo de conjunto treinado em imagens de campo claro de organoides hipotálamo-hipófise sem proteínas RAX fluorescentes aos 30 dias de desenvolvimento.

Usando técnicas de coloração, eles descobriram que os organoides do modelo classificado como A (alta qualidade) realmente apresentavam alta expressão de RAX aos 30 dias. Quando continuaram a cultura, esses organoides mostraram posteriormente alta secreção de ACTH. Enquanto isso, baixos níveis de RAX, e posteriormente ACTH, foram observados para os organoides que o modelo classificou como C (baixa qualidade).

“Nosso modelo pode, portanto, prever em um estágio inicial de desenvolvimento qual será a qualidade final do organoide, com base apenas na aparência visual”, diz Niioka. “Até onde sabemos, esta é a primeira vez no mundo que o aprendizado profundo foi usado para prever o futuro do desenvolvimento de organoides.”

No futuro, os pesquisadores planejam melhorar a precisão do modelo de aprendizagem profunda treinando-o em um conjunto de dados maior. Mas mesmo no nível atual de precisão, o modelo tem implicações profundas para a pesquisa organoide atual.

“Podemos selecionar de forma rápida e fácil organoides de alta qualidade para transplante e modelagem de doenças, e reduzir tempo e custos identificando e removendo organoides que estão se desenvolvendo menos bem”, conclui Suga. “É uma virada de jogo.”