Organoides — tecidos em miniatura, cultivados em laboratório, que imitam a função e a estrutura dos órgãos — estão transformando a pesquisa biomédica. Eles prometem avanços em transplantes personalizados, modelagem aprimorada de doenças como Alzheimer e câncer, e insights mais precisos sobre os efeitos de medicamentos médicos.

Agora, pesquisadores da Universidade de Kyushu e da Universidade de Nagoya no Japão desenvolveram um modelo que usa inteligência artificial (IA) para prever o desenvolvimento de organoides em um estágio inicial. O modelo, que é mais rápido e preciso do que pesquisadores especialistas, pode melhorar a eficiência e reduzir o custo do cultivo de organoides .

Neste estudo, publicado na Communications Biology em 6 de dezembro de 2024, os pesquisadores se concentraram em prever o desenvolvimento de organoides hipotálamo-hipófise.

Esses organoides imitam as funções da glândula pituitária, incluindo a produção do hormônio adrenocorticotrófico (ACTH): um hormônio crucial para regular o estresse, o metabolismo, a pressão arterial e a inflamação. A deficiência de ACTH pode levar à fadiga, anorexia e outros problemas que podem ser fatais.

"Em nosso laboratório, nossos estudos em camundongos mostram que o transplante de organoides hipotálamo-hipófise tem o potencial de tratar a deficiência de ACTH em humanos", diz o autor correspondente Hidetaka Suga, professor associado da Faculdade de Medicina da Universidade de Nagoya.

No entanto, um desafio fundamental para os pesquisadores é determinar se os organoides estão se desenvolvendo corretamente. Derivados de células-tronco suspensas em líquido, os organoides são sensíveis a pequenas mudanças ambientais, resultando em variabilidade em seu desenvolvimento e qualidade final.

Os pesquisadores descobriram que um sinal de boa progressão é a ampla expressão de uma proteína chamada RAX em um estágio inicial de desenvolvimento, o que geralmente resulta em organoides com forte secreção de ACTH mais tarde.

Suga e seus colegas em Nagoya, portanto, colaboraram com Hirohiko Niioka, professor da Iniciativa de Inovação Orientada por Dados na Universidade de Kyushu, para treinar modelos de aprendizado profundo para o trabalho.

"Modelos de aprendizado profundo são um tipo de IA que imita a maneira como o cérebro humano processa informações, permitindo analisar e categorizar grandes quantidades de dados reconhecendo padrões", explica Niioka.

Os pesquisadores de Nagoya capturaram imagens fluorescentes e imagens de campo claro — que mostram a aparência dos organoides sob luz branca normal, sem qualquer fluorescência — de organoides com proteínas RAX fluorescentes em 30 dias de desenvolvimento.

Usando as imagens fluorescentes como guia, eles classificaram 1.500 imagens de campo claro em três categorias de qualidade: A (expressão RAX ampla, alta qualidade); B (expressão RAX média, qualidade média) e C (expressão RAX estreita, baixa qualidade).

Niioka então treinou dois modelos avançados de deep-learning, EfficientNetV2-S e Vision Transformer, desenvolvidos pelo Google para reconhecimento de imagem, para prever a categoria de qualidade dos organoides. Ele usou 1200 das imagens de campo claro (400 em cada categoria) como conjunto de treinamento.

Após o treinamento, a Niioka combinou os dois modelos de deep-learning em um modelo de conjunto para melhorar ainda mais o desempenho. A equipe de pesquisa usou as 300 imagens restantes (100 de cada categoria) para testar o modelo de conjunto agora otimizado, que classificou as imagens de campo claro de organoides com 70% de precisão.

Em contraste, quando pesquisadores com anos de experiência com cultura de organoides previram a categoria das mesmas imagens de campo claro, sua precisão foi inferior a 60%.

"Os modelos de aprendizado profundo superaram os especialistas em todos os aspectos: na precisão, na sensibilidade e na velocidade", diz Niioka.

O próximo passo foi verificar se o modelo de conjunto também era capaz de classificar corretamente imagens de campo claro de organoides sem modificação genética para fazer o RAX fluorescer.

Os pesquisadores testaram o modelo de conjunto treinado em imagens de campo claro de organoides hipotálamo-hipófise sem proteínas RAX fluorescentes em 30 dias de desenvolvimento.

Usando técnicas de coloração, eles descobriram que os organoides que o modelo classificou como A (alta qualidade) realmente mostraram alta expressão de RAX em 30 dias. Quando eles continuaram a cultura, esses organoides mais tarde mostraram alta secreção de ACTH. Enquanto isso, baixos níveis de RAX, e mais tarde ACTH, foram vistos para os organoides que o modelo classificou como C (baixa qualidade).

"Nosso modelo pode, portanto, prever em um estágio inicial de desenvolvimento qual será a qualidade final do organoide, com base apenas na aparência visual", diz Niioka. "Até onde sabemos, esta é a primeira vez no mundo que o aprendizado profundo foi usado para prever o futuro do desenvolvimento do organoide."

Seguindo em frente, os pesquisadores planejam melhorar a precisão do modelo de aprendizado profundo treinando-o em um conjunto de dados maior. Mas mesmo no nível atual de precisão, o modelo tem implicações profundas para a pesquisa atual de organoides.

"Podemos selecionar organoides de alta qualidade para transplante e modelagem de doenças de forma rápida e fácil, e reduzir tempo e custos identificando e removendo organoides que estão se desenvolvendo menos bem", conclui Suga. "É uma virada de jogo."