Estudar a expressão gênica em células de pacientes com câncer pode ajudar biólogos clínicos a compreender a origem do câncer e prever o sucesso de diferentes tratamentos. Mas as células são complexas e contêm muitas camadas, então a forma como o biólogo conduz as medições afeta os dados que podem ser obtidos. Por exemplo, medir proteínas em uma célula pode render informações diferentes sobre os efeitos do câncer do que medir a expressão gênica ou a morfologia celular.
De onde na célula a informação vem importa. Mas para capturar informações completas sobre o estado da célula, os cientistas frequentemente precisam conduzir muitas medições usando diferentes técnicas e analisá-las uma de cada vez. Métodos de Machine Learning podem acelerar o processo, mas os métodos existentes agrupam todas as informações de cada modalidade de medição, dificultando a identificação de quais dados vieram de qual parte da célula.
Para superar este problema, pesquisadores do Broad Institute do MIT e Harvard e da ETH Zurich/Paul Scherrer Institute (PSI) desenvolveram um framework impulsionado por inteligência artificial que aprende quais informações sobre o estado de uma célula são compartilhadas entre diferentes modalidades de medição e quais informações são exclusivas de um tipo particular de medição.
Ao identificar qual informação veio de quais partes da célula, a abordagem oferece uma visão mais holística do estado da célula, facilitando para o biólogo ver o quadro completo das interações celulares. Isso poderia ajudar os cientistas a entender os mecanismos das doenças e acompanhar a progressão do câncer, de distúrbios neurodegenerativos como o Alzheimer e de doenças metabólicas como o diabetes.
“Quando estudamos células, uma medição muitas vezes não é suficiente, então os cientistas desenvolvem novas tecnologias para medir diferentes aspectos das células. Embora tenhamos muitas maneiras de olhar uma célula, no final das contas, temos apenas um estado celular subjacente. Ao juntar as informações de todas essas modalidades de medição de uma forma mais inteligente, poderíamos ter uma imagem mais completa do estado da célula”, diz a autora principal Xinyi Zhang SM ’22, PhD ’25, uma ex-aluna de pós-graduação no Departamento de Engenharia Elétrica e Ciência da Computação (EECS) do MIT e afiliada do Eric and Wendy Schmidt Center no Broad Institute do MIT e Harvard, que agora é líder de grupo na AITHYRA em Viena, Áustria.
Zhang é acompanhada em um artigo sobre o trabalho por G.
Fonte: MIT News AI
Publicado em 2026-02-25