Agência FAPESP
18/05/2018
Uma plataforma capaz de diagnosticar diversos tipos de doenças, com alto índice de precisão, por meio de marcadores metabólicos encontrados no sangue de pacientes foi desenvolvida por cientistas da Universidade Estadual de Campinas (Unicamp).
O método alia a tecnologia de espectrometria de massas, que permite identificar dezenas de milhares de moléculas presentes no soro sanguíneo, com um algoritmo de inteligência artificial capaz de encontrar padrões associados a enfermidades – tanto de origem viral, como bacteriana, fúngica e até mesmo genética.
Resultados da pesquisa – apoiada pela FAPESP e realizada durante o doutorado de Carlos Fernando Odir Rodrigues Melo – foram divulgados em abril na revista Frontiers in Bioengineering and Biotechnology.
“Usamos a infecção pelo vírus Zika como modelo para desenvolver a plataforma e mostramos que, nesse caso, a precisão diagnóstica ultrapassa 95%. Uma das grandes vantagens é que o método não perde a sensibilidade mesmo se o vírus sofrer mutações”, contou Rodrigo Ramos Catharino, professor da Faculdade de Ciências Farmacêuticas da Unicamp, coordenador do Laboratório Innovare de Biomarcadores e orientador da pesquisa.
Outro ponto favorável, segundo o cientista, foi a capacidade de identificar os casos positivos de Zika mesmo quando a análise do soro sanguíneo ocorreu 30 dias após o início da infecção, quando a fase aguda da doença já havia terminado.
“Nenhum kit para diagnóstico atualmente disponível tem sensibilidade para detectar a infecção pelo Zika após o término da fase aguda. O método que desenvolvemos poderia ser útil, por exemplo, para analisar bolsas de sangue para transfusão”, comentou Catharino.
Cada vez melhor
Durante o trabalho de desenvolvimento e validação da plataforma, amostras sanguíneas de 203 pacientes atendidos na Unicamp foram analisadas – sendo 82 de pessoas com diagnóstico de Zika confirmado pelo método hoje considerado padrão ouro: o PCR (reação em cadeia da polimerase) em tempo real, que detecta o RNA viral em fluidos corporais durante a fase aguda da infecção.
Os outros 121 pacientes que integraram o chamado grupo controle apresentavam no momento de coleta do sangue os mesmos sintomas descritos no grupo Zika positivo, como febre, dor articular, conjuntivite e vermelhidão pelo corpo. No entanto, não tiveram o diagnóstico confirmado pelo exame de PCR.
Todas as amostras coletadas foram analisadas no espectrômetro de massas – aparelho que funciona como uma espécie de balança molecular, separando as moléculas que ali entram de acordo com sua massa.
“Foram identificadas cerca de 10 mil moléculas diferentes presentes no soro dos pacientes, entre elas lipídeos, peptídeos e fragmentos de DNA e RNA. Nesse conjunto de metabólitos havia tanto partículas produzidas pelo Zika quanto pelo sistema imune dos pacientes em resposta à infecção”, explicou Catharino.
Todos os dados obtidos na análise de espectrometria – tanto do grupo Zika positivo como do controle – foram então inseridos em um programa de computador que faz uso de um algoritmo do tipo machine learning (aprendizagem de máquina) chamado Random Forest. Esse tipo de ferramenta de inteligência artificial permite analisar uma grande quantidade de informações por métodos estatísticos específicos, de modo a encontrar padrões que permitam fazer determinações ou predições.
“O próprio algoritmo separa aleatoriamente as amostras, determina qual será o grupo de treinamento, o grupo cego e depois faz os testes e as validações. Ao final, ele nos informa se com aquele número de amostras foi possível obter um conjunto de marcadores metabólicos capaz de discriminar quais são os pacientes infectados pelo Zika”, disse Catharino.
Segundo o pesquisador, cada novo dado de paciente que é inserido no programa aumenta a capacidade de aprendizado da plataforma, tornando-a ainda mais sensível. No caso do Zika, foi estabelecido um painel de 42 biomarcadores que servem como uma chave de identificação específica para o vírus. Desses, segundo o algoritmo, 12 foram encontrados com alta prevalência no soro de pacientes com diagnóstico positivo da doença.
“Nessa plataforma não é importante conhecer quais são exatamente essas 43 moléculas que funcionam como marcadores da infecção, pois é o conjunto que realmente importa e que vai nos dizer com alta precisão se é Zika ou não. E, mesmo se o vírus se modificar, o programa se adapta e muda com ele. Não é uma metodologia estática”, disse Catharino.
No momento, o grupo da Unicamp realiza testes para avaliar a capacidade da plataforma para diagnosticar doenças sistêmicas causadas por fungos. O método também será testado na detecção de doenças bacterianas e genéticas. A pesquisa conta com a colaboração do professor Anderson de Rezende Rocha, do Instituto de Computação (IC) da Unicamp.
Na nuvem
Em teoria, qualquer laboratório equipado com um espectrômetro de massas teria potencial para adotar a nova plataforma de diagnóstico desenvolvida na Unicamp. Esse tipo de aparelho já é usado rotineiramente para realizar exames como dosagem de vitamina D e teste do pezinho, feito em recém-nascidos para detecção de doenças metabólicas.
“Nossa proposta seria deixar a plataforma disponível na nuvem, de forma que possa ser baixada em qualquer espectrômetro de massas em qualquer parte do mundo. A análise dos dados poderia ser feita on-line. Se haverá ou não cobrança pelo serviço é algo que ainda terá de ser definido”, explicou Catharino.
O artigo A Machine Learning Application Based in Random Forest for Integrating Mass Spectrometry-Based Metabolomic Data: A Simple Screening Method for Patients With Zika Virus (DOI: 10.3389/fbioe.2018.00031) pode ser lido em: https://www.frontiersin.org/articles/10.3389/fbioe.2018.00031/full. [2]
[1] Crédito da imagem: Manuel Almagro Rivas (CC BY-SA 4.0), from Wikimedia Commons.
https://commons.wikimedia.org/wiki/File:Zika-virus-3D.png.
[2] Esta notícia científica foi escrita por Karina Toledo.
Como citar esta notícia científica: Agência FAPESP. Inteligência artificial para diagnosticar Zika e outros patógenos. Texto de Karina Toledo. Saense. http://www.saense.com.br/2018/05/inteligencia-artificial-para-diagnosticar-zika-e-outros-patogenos/. Publicado em 18 de maio (2018).