A ferramenta de IA oferece uma visão profunda do sistema imunológico

Os investigadores exploram o sistema imunitário humano observando os componentes activos, nomeadamente os vários genes e células envolvidos. Mas existe uma vasta gama destes, e as observações produzem necessariamente grandes quantidades de dados.

Pela primeira vez, investigadores, incluindo os da Universidade de Tóquio, construíram uma ferramenta de software que aproveita a inteligência artificial para não só oferecer uma análise mais consistente destas células com rapidez, mas também para as categorizar e visar detectar novos padrões que as pessoas ainda não viram.

O trabalho está publicado na revista Briefings em Bioinformática.

Nosso sistema imunológico é importante – é impossível imaginar vida complexa existindo sem ele. Este sistema, composto por diferentes tipos de células, cada uma desempenhando um papel diferente, ajuda a identificar coisas que ameaçam a nossa saúde e a tomar medidas para nos defender.

Ambos são muito eficazes, mas também estão longe de ser perfeitos; daí a existência de doenças como a notória síndrome da imunodeficiência adquirida, ou AIDS. E questões recentes que abalam a Terra, como a pandemia do coronavírus, servem para realçar a importância da investigação em torno deste sistema intrincado, mas poderoso.

Um ramo importante da pesquisa em imunologia envolve a identificação de componentes do sistema imunológico e a verificação de sua função. Fazer isto através de observação manual seria impossível devido ao tempo que levaria, e existem algumas ferramentas automatizadas, mas têm limitações em termos de precisão, consistência ou flexibilidade.

Para tal, uma equipa de investigadores liderada pelo professor Tatsuhiko Tsunoda, do Departamento de Ciências Biológicas da Universidade de Tóquio, aceitou o desafio e desenvolveu um sistema para impulsionar a investigação imunológica.

“Apresentamos o scHDeepInsight, uma estrutura baseada em IA para identificar rápida e consistentemente células imunológicas a partir do RNA das células. Em vez de ver todos os tipos de células como não relacionados, o sistema reflete a hierarquia natural do sistema imunológico”, disse o pesquisador principal Shangru Jia.

“Ao transformar perfis genéticos celulares em imagens e aplicar uma IA com reconhecimento de hierarquia, conhecida como rede neural convolucional, ou CNN, ele pode distinguir tanto tipos amplos de células imunológicas quanto subtipos mais sutis, e pode fazê-lo de forma mais consistente do que tentativas anteriores. Em nosso benchmark, a marcação de cerca de 10.000 células levou apenas alguns minutos, enquanto a anotação manual baseada em marcadores pode levar de muitas horas a dias.

“Em comparação com outros métodos automatizados, o tempo de execução está em uma faixa semelhante. As principais vantagens são a consistência das previsões em toda a hierarquia e a maior precisão obtida com a incorporação de rótulos hierárquicos, em vez de apenas a velocidade bruta.”

Existem três aspectos principais no scHDeepInsight. A aprendizagem hierárquica, em que o modelo reflete a “árvore genealógica” do sistema imunológico, pode distinguir tanto categorias imunológicas amplas quanto subtipos mais sutis.

A representação baseada em imagens transforma dados genéticos em imagens 2D para que a CNN possa capturar relações sutis entre genes de forma mais eficaz do que observar tabelas de dados brutos. E a análise incorporada no sistema pode destacar quais genes contribuem mais para um comportamento, e estes podem ser verificados em relação a marcadores conhecidos para ver como se alinham com observações anteriores.

“Uma planilha de números de genes não percebe como os genes se relacionam entre si. Quando mapeamos genes em pixels em uma imagem para que genes relacionados sejam colocados próximos, o resultado é uma imagem com estrutura significativa. Modelos de reconhecimento de imagem, como CNNs, são muito bons na detecção de tais padrões, permitindo-lhes capturar relações complexas entre genes que são difíceis de aprender a partir de tabelas brutas, “disse Jia.

“O principal desafio foi equilibrar o desempenho entre tipos de células amplos e subtipos detalhados, especialmente para populações de células raras. Resolvemos isso adaptando o processo de treinamento, para que o modelo prestasse mais atenção às categorias que eram mais difíceis de distinguir, reduzindo o risco de ignorar subtipos pequenos, mas importantes.”

scHDeepInsight é principalmente uma ferramenta de pesquisa, e não um sistema de diagnóstico completo, em parte devido à sua infância, mas principalmente porque o modelo é treinado apenas em células saudáveis.

Ao aplicá-lo às amostras dos pacientes, os pesquisadores podem ver onde elas se desviam de uma linha de base saudável. Tais desvios podem fornecer pistas para estudos adicionais, mas a interpretação médica requer validação adicional. Portanto, este desenvolvimento ajudará na investigação fundamental em todo o campo da imunologia, mas poderá levar algum tempo até que os descendentes do scHDeepInsight encontrem o seu caminho para os sistemas de diagnóstico.

“Estudos onde as alterações imunológicas são importantes, incluindo imunologia do câncer, infecções e condições autoimunes, podem se beneficiar de rótulos celulares mais confiáveis. Como nosso modelo é treinado em células imunológicas saudáveis, seu valor imediato está em fornecer uma linha de base saudável e consistente para comparação. As mudanças relacionadas à doença podem então ser medidas em relação a esta linha de base, mas a interpretação clínica requer validação em cada contexto”, disse Jia.

“A generalização e a validação são fundamentais. As amostras clínicas são diversas, por isso o modelo deve ser testado em ensaios e protocolos variados. A integração em fluxos de trabalho clínicos e os requisitos regulamentares de transparência e reprodutibilidade também são essenciais antes do uso rotineiro.

“Para uso em pesquisas hoje, o scHDeepInsight já está disponível como um pacote para download – os pesquisadores podem aplicá-lo prontamente em suas próprias análises. Uma validação mais ampla e uma integração clínica continuam sendo metas para o futuro.”

O trabalho no scHDeepInsight não foi concluído. A equipe pretende melhorar suas habilidades e características, indo além da identificação celular relacionada ao sistema imunológico e indo para outros domínios biológicos.

Em última análise, eles esperam validar o sistema para uso como ferramenta de pesquisa clínica, usando perfis precisos do sistema imunológico para apoiar estudos de doenças. E há também a questão da sua capacidade de detectar novos tipos de células.

“Para cada célula, o modelo gera probabilidades tanto nos níveis amplos de tipo quanto de subtipo. Se a confiança for alta para a linhagem ampla, mas baixa para todos os subtipos conhecidos dentro dessa linhagem, a célula pode representar um estado potencialmente novo. Em análises de teste de conjuntos de dados imunológicos cerebrais, esse padrão de probabilidade ajudou a destacar regiões que eram ricas em células especializadas da micróglia residentes no sistema nervoso central”, disse Jia.

“Os modelos de IA refletem seus dados de treinamento. Se um atlas de referência estiver incompleto, algumas populações raras ou específicas do contexto podem ser classificadas incorretamente ou sub-representadas. As previsões devem, portanto, ser interpretadas com cautela e validadas experimentalmente. Nosso projeto enfatiza a transparência para apoiar o uso cuidadoso e baseado em evidências.”