Para produzir terapias direcionadas eficazes contra o câncer, os cientistas precisam isolar as características genéticas e fenotípicas das células cancerígenas, tanto dentro quanto entre diferentes tumores, porque essas diferenças afetam a maneira como os tumores respondem ao tratamento.

Parte desse trabalho requer uma compreensão profunda das moléculas de RNA ou proteína que cada célula cancerosa expressa, onde ela está localizada no tumor e sua aparência ao microscópio.

Tradicionalmente, os cientistas analisavam um ou mais desses aspectos separadamente, mas agora uma nova ferramenta de IA de aprendizado profundo, CellLENS (Cell Local Environment and Neighborhood Scan), une os três domínios, usando uma combinação de redes neurais convolucionais e redes neurais gráficas para construir um perfil digital abrangente para cada célula. Isso permite que o sistema agrupe células com biologia semelhante — separando efetivamente até mesmo aquelas que parecem muito semelhantes isoladamente, mas se comportam de maneira diferente dependendo do ambiente ao redor.

O estudo, publicado recentemente na Nature Immunology , detalha os resultados de uma colaboração entre pesquisadores do MIT, da Harvard Medical School, da Universidade de Yale, da Universidade de Stanford e da Universidade da Pensilvânia — um esforço liderado por Bokai Zhu, um pós-doutorado do MIT e membro do Broad Institute do MIT e Harvard e do  Ragon Institute do MGH, MIT e Harvard .

Zhu explica o impacto desta nova ferramenta: "Inicialmente, diríamos: 'Ah, encontrei uma célula. Ela se chama célula T'. Usando o mesmo conjunto de dados, aplicando o CellLENS, agora posso dizer que se trata de uma célula T, e que ela está atacando um limite tumoral específico em um paciente."

Posso usar informações existentes para definir melhor o que é uma célula, qual é a sua subpopulação, o que ela está fazendo e qual é a sua potencial leitura funcional. Este método pode ser usado para identificar um novo biomarcador, que fornece informações específicas e detalhadas sobre células doentes, permitindo o desenvolvimento de terapias mais direcionadas.

Este é um avanço crucial, pois as metodologias atuais frequentemente ignoram informações moleculares ou contextuais cruciais — por exemplo, imunoterapias podem ter como alvo células que existem apenas na borda de um tumor, limitando sua eficácia. Usando aprendizado profundo, os pesquisadores podem detectar diversas camadas de informação com o CellLENS, incluindo a morfologia e a localização espacial da célula em um tecido.

Quando aplicado a amostras de tecido saudável e vários tipos de câncer, incluindo linfoma e câncer de fígado, o CellLENS descobriu subtipos raros de células imunológicas e revelou como sua atividade e localização se relacionam com processos de doenças — como infiltração tumoral ou imunossupressão.

Essas descobertas podem ajudar os cientistas a entender melhor como o sistema imunológico interage com os tumores e abrir caminho para diagnósticos de câncer e imunoterapias mais precisos.

“Estou extremamente entusiasmado com o potencial de novas ferramentas de IA, como o CellLENS, para nos ajudar a compreender de forma mais holística os comportamentos celulares aberrantes nos tecidos”, afirma o coautor  Alex K. Shalek , diretor do  Instituto de Engenharia Médica e Ciência  (IMES), professor JW Kieckhefer em IMES e Química e membro externo do  Instituto Koch para Pesquisa Integrativa do Câncer do MIT , além de membro do Instituto Broad e do Instituto Ragon. “Agora podemos medir uma quantidade enorme de informações sobre células individuais e seus contextos teciduais com ensaios multiômicos de ponta. Aproveitar esses dados de forma eficaz para indicar novas pistas terapêuticas é um passo crítico no desenvolvimento de intervenções aprimoradas. Quando combinadas com os dados de entrada corretos e validações cuidadosas a jusante, essas ferramentas prometem acelerar nossa capacidade de impactar positivamente a saúde e o bem-estar humanos.”