Todos nós temos cerca de 20.000 genes em nossos genomas. Embora esta diversidade seja o que torna a experiência humana tão rica, as nossas diferenças genéticas podem tornar as coisas mais difíceis quando se trata de medicina e tratamento de doenças.
Hoje, a maioria dos tratamentos é uma abordagem única para todos. Apenas uma pequena fracção dos pacientes com cancro, por exemplo, recebe terapias específicas. Mas se a IA pudesse aprender a ler e escrever a linguagem da biologia, poderia ajudar a personalizar os tratamentos para a composição única de cada paciente.
Ava Aminiprincipal pesquisador da Microsoft Analysis, está trabalhando para que isso aconteça. Ela falou recentemente sobre o potencial da IA para a biologia em uma cervejaria lotada em Cambridge, Massachusetts, como parte de “Palestras na torneira”, uma série de eventos que combina palestras de especialistas com diversão interativa em pubs casuais nos EUA
Aqui estão cinco dos conceitos que ela abordou, desde como funciona a medicina de precisão até a grande visão do desenvolvimento de IA que pode prever como as células se comportam.
Como a IA pode ajudar a dar sentido à biologia
A biologia é incrivelmente complexa – a composição genética e o comportamento celular de cada pessoa são únicos. Hoje, a medicina muitas vezes trata os pacientes com base em médias e não em diferenças individuais. Amini diz que a IA oferece uma maneira de decodificar padrões em enormes conjuntos de dados biológicos que os humanos não conseguem processar sozinhos.
“A computação nos dá um package de ferramentas incrivelmente poderoso para entender o que considero o sistema mais complexo e intrincado que temos, que é o sistema e a linguagem da biologia”, diz ela. “Temos esta oportunidade de construir sistemas computacionais, modelos de IA, que possam aproveitar a escala de dados que estamos a gerar, para aprender esta linguagem biológica e, em última análise, sermos capazes de a utilizar para fazer novas descobertas, conceber novos medicamentos e, esperançosamente, aproximar-nos dessa visão de capacitar as pessoas para viverem um futuro mais saudável.”
Amini diz que uma única biópsia de câncer, por exemplo, pode gerar quase 50 milhões de pontos de dados individuais. A IA poderia ajudar a filtrar esses dados massivos, encontrar padrões e permitir um tratamento personalizado e preciso, em vez de cuidados generalizados.
Como a medicina de precisão pode ajudar as pessoas
A medicina de precisão visa adaptar os tratamentos à composição genética, molecular e celular única de cada paciente. Mas a maioria dos tratamentos são genéricos e apenas uma pequena fração dos pacientes com cancro recebe terapias específicas. Menos ainda experimentam sucesso duradouro, diz Amini.
“A verdade é que, com base nas terapias específicas actuais, menos de 5% desta população irá responder eficazmente”, diz Amini sobre o tratamento do cancro. “Isso ocorre porque há coisas como resistência ou o câncer evolui, ele se espalha e cresce, e esses pacientes não verão resultados curativos duradouros e duradouros”.
A medicina de precisão procura superar estas limitações, aproveitando a diversidade e a heterogeneidade de doenças como o cancro, indo além das médias populacionais para cuidados individualizados.
Usando a linguagem da biologia para projetar novas proteínas
Em 1965, o biofísico americano Margaret Dayhoff deu à biologia um alfabeto – um código de uma letra para os 20 aminoácidos naturais, os blocos de construção das proteínas. A criação deste código para aminoácidos permitiu a representação das proteínas como uma linguagem.
A Microsoft está construindo sobre esta base com EvoDiff e O Atlas Dayhoffmodelos generativos de IA para projetar novas proteínas. Amini diz que o conceito é como o Copilot para biologia: insira um immediate e produza uma nova proteína guiada por esse immediate.
Esses modelos podem ser solicitados na linguagem biológica para projetar proteínas com funções específicas.
Proteínas projetadas por IA mostram progresso e promessa
As proteínas projetadas por IA podem ajudar a atingir as células cancerígenas ou a se ligar a receptores para administração de medicamentos, de acordo com Amini.
Ela diz que os modelos EvoDiff e Dayhoff da Microsoft geraram proteínas testadas em laboratório com resultados funcionais bem-sucedidos. Ao aprender com uma maior escala e diversidade de dados, os modelos de Dayhoff melhoraram a taxa de sucesso na produção de novas proteínas de 16% com métodos anteriores para 50%. Estes avanços mostram que a IA generativa para a biologia não é apenas teoria; está acontecendo agora.
“Na verdade, medimos e testamos em laboratório no mundo actual para mostrar que essas proteínas têm as funções que pretendíamos e procurávamos ter”, diz Amini.
No entanto, a qualidade e a diversidade dos dados permanecem críticas para o desempenho do modelo, e ainda existem limitações significativas — especialmente na modelagem de células inteiras.
Trabalhando para modelar células humanas
Um modelo de IA concebido para simular a complexidade de uma célula humana através da aprendizagem de padrões em dados biológicos poderia prever como as células respondem aos medicamentos, desbloqueando a medicina de precisão. Muitos consideram-no um “Santo Graal” na ciência, diz Amini, e perseguiram a ideia de construir modelos de IA para prever como as células se comportam. Amini diz que seus experimentos na Microsoft mostraram que os modelos de células de IA existentes geralmente prevêem apenas valores médios, em vez de diferenças biológicas reais. Aumentar o quantity de dados não melhora o desempenho: os modelos saturam rapidamente e não são dimensionados conforme o esperado. Estudos críticos recentes, incluindo os de Amini e equipe, expuseram essas limitações.
Amini ainda tem esperança. Embora a promessa da IA na biologia seja imensa, diz ela, a realização de uma medicina personalizada e precisa exigirá integração e colaboração contínuas entre disciplinas. Ela co-lidera Projeto Ex Vivouma parceria de pesquisa entre a Microsoft e o Instituto Amplo com o apoio do Dana-Farber Most cancers Institute, que está construindo uma nova estrutura para oncologia de precisão, integrando experimentação e computação desde o início em direção ao objetivo closing de melhorar os resultados dos pacientes.
“Como tecnólogos, usamos essas descobertas como combustível e queremos aproveitar o máximo que pudermos para realmente ir mais longe”, diz ela. “E todas essas informações, todas essas avaliações, nos ajudam a fazer melhor e a nos aproximar dessa promessa.”
Imagem principal de Andrii Onufriyenko / Momento / Imagens Getty.