Por El Webb | 10 de julho de 2023

Aprendizado de máquina descobre genes anteriormente desconhecidos em novo estudo liderado pela UNM

Em um estudo inovador conduzido por pesquisadores da Universidade do Novo México, cientistas aproveitaram o poder do aprendizado de máquina para identificar um conjunto de genes anteriormente desconhecidos associados à autofagia, um processo celular vital envolvido na reciclagem e manutenção da saúde celular.

Aproveitando um modelo de aprendizado de máquina de última geração, o estudo identificou 193 genes como potenciais contribuintes para a maquinaria da autofagia. Esses “genes sombrios” anteriormente negligenciados representam caminhos promissores para desvendar os mistérios da autofagia e seu papel no funcionamento celular e em doenças complexas como a doença de Alzheimer, disse a neurocientista da UNM Elaine Bearer, MD, PhD.

“Esta é outra forma de ciência imparcial e baseada em dados”, disse Bearer. “O que o aprendizado de máquina está nos permitindo fazer é evitar a adivinhação e fazer a ciência da descoberta de uma maneira não orientada por hipóteses”.

O estudo, intitulado "Autophagy Dark Genes: Can We Find Them with Machine Learning?" foi publicado recentemente na revista Ciências Naturais, e teve como objetivo identificar um conjunto de genes relacionados à autofagia, combinando diversas características biológicas e conjuntos de dados e conectando os dados a um algoritmo de inteligência artificial.

“A ideia era: 'Podemos encontrar esses genes obscuros, ocultos e secretos com uma investigação de inteligência artificial?'”, disse Bearer.

A resposta é sim, o aprendizado de máquina pode orientar a pesquisa genômica para obter uma anotação mais completa de processos complexos.

Mas o aprendizado de máquina não é o fim da tarefa, enfatiza Bearer. Depois que a inteligência artificial identifica algo, cabe aos cientistas validar tanto o processo quanto os resultados.

Para conseguir isso, uma equipe de pesquisa da UNM empregou o modelo de aprendizado de máquina MetaPath/XGBoost (MPxgb), que foi treinado usando dados de 17 fontes diferentes. A investigação de pesquisa de inteligência artificial começou em 2019, liderada por Tudor Oprea, MD, PhD, ex-diretor de Informática de Triagem do Centro de Descoberta Molecular e Núcleo de Descoberta de Drogas da UNM e membro do UNM Comprehensive Cancer Center.

Mohsen Ranjbar, PharmD, um estudante de pós-graduação da UNM em química e biologia química, pegou a pesquisa de Oprea e realizou uma pesquisa de validação, vasculhando o Autophagy Database e os bancos de dados de publicações de pesquisas, como o PubMed, para ver se o modelo demonstrava alta precisão em distinguir já conhecidos genes associados à autofagia.

Podemos usar o aprendizado de máquina mais do que antes. Às vezes, temos um conhecimento limitado sobre algo, mas podemos usar o aprendizado de máquina para esclarecer as coisas e nos orientar no futuro.

- Mohsen Ranjbar, estudante de graduação, PharmD

Por meio da pesquisa, as descobertas de Ranjbar revelaram que, embora 23% dos principais genes previstos já estivessem anotados no banco de dados de autofagia, impressionantes 77% (193 genes) eram novas descobertas, representando um potencial inexplorado para entender a regulação da autofagia em processos celulares.

“É interessante e surpreendente”, disse Ranjbar. “Faz pouco tempo desde que começamos esta pesquisa, e ver que alguns desses genes específicos descobertos pela IA já foram mencionados como genes de autofagia recém-descobertos em diferentes publicações recentes, isso mostra a validação de nossa maquinaria para encontrar esses genes .”

Bearer disse que, ao descobrir esses genes escuros da autofagia, os pesquisadores podem aprofundar a relação entre a desregulação da autofagia e o desenvolvimento de doenças, orientando o desenvolvimento de novas estratégias terapêuticas para a doença.

O estudo inovador também mostra a versatilidade do aprendizado de máquina e da inteligência artificial na pesquisa genômica, estendendo o conhecimento além da autofagia para outras áreas da biologia.

“Não conhecemos todos os genes envolvidos em coisas como tráfico endossomal, que é realmente importante em muitas doenças, incluindo a doença de Alzheimer”, disse Bearer. “Assim, poderíamos usar nosso modelo de aprendizado de máquina para investigar e identificar outros genes no genoma que ainda não tiveram um teste de bancada para saber qual é o seu papel funcional”.

O estudo foi possível graças ao apoio de várias bolsas, incluindo NIH U24CA224370, U24TR002278, UL1TR001449, P20GM121176, P20AG068077, R01 MD014153 e Harvey Family Endowment.

Apoio adicional foi fornecido pelo Centro de Pesquisa da Doença de Alzheimer do Novo México, pelo Centro de Autofagia, Inflamação e Metabolismo da UNM e pelo Centro de Ciências Clínicas e Translacionais da UNM.

Bearer disse que o estudo interdisciplinar não teria sido possível sem ter cruzado as fronteiras acadêmicas e dos departamentos de pesquisa. Ela trabalha no Departamento de Patologia, Ranjbar está no departamento de Química e outros colaboradores do projeto estiveram em Medicina Interna, Ciência da Computação e no Centro de Descoberta Molecular.

“Este grande projeto transcendeu várias entidades dentro da UNM”, disse ela. “Quero influenciar o pensamento científico em torno do uso do aprendizado de máquina, porque ele é muito poderoso.”