Nova IA revela padrões ocultos em gráficos de conhecimentos biomédicos
A IA interpretável liga genes, doenças e medicamentos
Anúncios
Um novo método de inteligência artificial (IA) denominado BioPathNet ajuda os investigadores a procurar sistematicamente ligações ocultas em grandes redes de dados biológicos - desde funções genéticas e mecanismos de doenças até potenciais abordagens terapêuticas. O BioPathNet foi desenvolvido por equipas do Helmholtz Munich e do Mila - Quebec Artificial Intelligence Institute em Montreal, Canadá. Os investigadores estão a apresentar o método na revista Nature Biomedical Engineering.
IA interpretável liga genes, doenças e medicamentos
Os "gráficos de conhecimento" biomédicos são mapas estruturados que ligam genes, proteínas, doenças, medicamentos e processos biológicos, captando as suas relações para ajudar tanto os humanos como a IA a compreender a biologia e a medicina de uma forma sistemática. No entanto, estas redes permanecem incompletas: muitas relações que os investigadores esperam que existam ainda não foram documentadas.
O BioPathNet é um método de IA para analisar esses gráficos de conhecimentos biomédicos. Ao contrário de muitas abordagens existentes, não se limita a analisar pontos de dados individuais, mas sim cadeias inteiras de relações - por exemplo, desde um gene, passando por uma via de sinalização, até uma doença e um potencial medicamento. "A partir de milhares destes padrões, o modelo aprende quais as novas ligações biologicamente plausíveis mais prováveis", afirma Emy Yue Hu, primeira autora do estudo e estudante de doutoramento no Instituto de Biologia Computacional (ICB) em Helmholtz Munique. "Nesta base, o BioPathNet propõe hipóteses que podemos depois testar no laboratório ou em estudos clínicos". Uma das principais vantagens do BioPathNet é o facto de as suas previsões serem interpretáveis: para cada sugestão, o modelo pode identificar os caminhos no gráfico do conhecimento que levaram a essa previsão.
Transformar pontos de dados em hipóteses testáveis
Em testes exaustivos, a equipa liderada pela Dra. Annalisa Marsico, chefe de grupo no ICB e investigadora principal do projeto, aplicou o BioPathNet a uma vasta gama de tarefas: prever funções genéticas, descobrir relações entre doenças, identificar potenciais alvos para a terapia do cancro e sugerir novas indicações para medicamentos já estabelecidos. Para doenças complexas como a leucemia, o cancro gástrico e a doença de Alzheimer, o BioPathNet não só redescobriu terapias conhecidas como também destacou compostos que já estão a ser testados em ensaios clínicos. "Era crucial para nós não construir mais um modelo de caixa negra", sublinha Marsico. "Para cada previsão, podemos inspecionar os caminhos mais importantes no gráfico e discutir com os especialistas se fazem sentido do ponto de vista biológico."
O BioPathNet não é, portanto, um motor de recomendação automática de terapias, mas sim uma ferramenta de geração de hipóteses: a qualidade das suas sugestões depende dos dados subjacentes e cada ligação prevista deve ser validada experimental ou clinicamente. A longo prazo, os investigadores vêem o método como um bloco de construção para modelos de base para gráficos de conhecimentos biomédicos que podem ser aperfeiçoados para muitas tarefas diferentes - desde a reorientação de medicamentos e a dissecação de mecanismos de doenças até aplicações para além da medicina. "O nosso objetivo não é uma cura milagrosa com recurso à IA", afirma Marsico. "Queremos uma ferramenta que nos ajude a utilizar melhor as redes de dados biomédicos existentes e a ter boas ideias novas para experiências e terapias."
Unir disciplinas para construir o BioPathNet
A ideia da BioPathNet surgiu durante uma estadia de investigação de Emy Yue Hu no Mila. Inicialmente, ela tinha planeado trabalhar num projeto sobre poluição atmosférica, mas os dados disponíveis não eram adequados. Juntamente com os seus supervisores, procurou uma nova questão de investigação baseada em dados - e chegou aos grandes gráficos de conhecimento biomédico, que já contêm uma grande quantidade de informação dispersa sobre genes, doenças e terapias. Os conhecimentos especializados da equipa de aprendizagem automática do Mila foram cruciais para o desenvolvimento dos algoritmos subjacentes ao BioPathNet, que se baseia na estrutura da rede neural de grafos NBFNet, garantindo tanto o poder de previsão como a interpretabilidade. "O BioPathNet só foi possível graças à interdisciplinaridade da equipa", afirma Hu. "Os especialistas em biologia computacional, matemática, biofísica e ciências informáticas trabalharam em estreita colaboração nos locais de Montreal e Munique." Como ferramenta de código aberto, o BioPathNet está agora disponível para investigadores de todo o mundo para explorar mecanismos biomédicos.
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação original
Outras notícias do departamento ciência
