Nas últimas duas décadas, novas tecnologias ajudaram cientistas a gerar uma vasta quantidade de dados biológicos. Experimentos em larga escala em genômica, transcriptômica, proteômica e citometria podem produzir enormes quantidades de dados de um dado sistema celular ou multicelular.

No entanto, entender essas informações nem sempre é fácil. Isso é especialmente verdadeiro quando se tenta analisar sistemas complexos, como a cascata de interações que ocorrem quando o sistema imunológico encontra um patógeno estranho.

Engenheiros biológicos do MIT desenvolveram agora um novo método computacional para extrair informações úteis desses conjuntos de dados. Usando sua nova técnica, eles mostraram que poderiam desvendar uma série de interações que determinam como o sistema imunológico responde à vacinação contra tuberculose e à infecção subsequente.

Essa estratégia pode ser útil para desenvolvedores de vacinas e pesquisadores que estudam qualquer tipo de sistema biológico complexo, diz Douglas Lauffenburger, professor de Engenharia Ford nos departamentos de Engenharia Biológica, Biologia e Engenharia Química.

“Chegamos a uma estrutura de modelagem computacional que permite a previsão de efeitos de perturbações em um sistema altamente complexo, incluindo múltiplas escalas e muitos tipos diferentes de componentes”, diz Lauffenburger, autor sênior do novo estudo.

Shu Wang, ex-pós-doutorado do MIT que agora é professor assistente na Universidade de Toronto, e Amy Myers, gerente de pesquisa no laboratório da Professora JoAnne Flynn da Faculdade de Medicina da Universidade de Pittsburgh, são os principais autores de um novo artigo sobre o trabalho, que aparece hoje no periódico Cell Systems .

Ao estudar sistemas biológicos complexos, como o sistema imunológico, os cientistas podem extrair muitos tipos diferentes de dados. O sequenciamento de genomas celulares diz a eles quais variantes genéticas uma célula carrega, enquanto a análise de transcrições de RNA mensageiro diz a eles quais genes estão sendo expressos em uma determinada célula. Usando proteômica, os pesquisadores podem medir as proteínas encontradas em uma célula ou sistema biológico, e a citometria permite que eles quantifiquem uma miríade de tipos de células presentes.

Usando abordagens computacionais como machine learning, cientistas podem usar esses dados para treinar modelos para prever uma saída específica com base em um determinado conjunto de entradas — por exemplo, se uma vacina gerará uma resposta imune robusta. No entanto, esse tipo de modelagem não revela nada sobre as etapas que acontecem entre a entrada e a saída.

Para criar modelos que podem identificar o funcionamento interno de sistemas biológicos complexos, os pesquisadores recorreram a um tipo de modelo conhecido como rede gráfica probabilística. Esses modelos representam cada variável medida como um nó, gerando mapas de como cada nó está conectado aos outros.

Redes gráficas probabilísticas são frequentemente usadas para aplicações como reconhecimento de fala e visão computacional, mas não têm sido amplamente utilizadas em biologia.

O laboratório de Lauffenburger já usou esse tipo de modelo para analisar vias de sinalização intracelular, o que exigiu a análise de apenas um tipo de dado. Para adaptar essa abordagem para analisar muitos conjuntos de dados de uma vez, os pesquisadores aplicaram uma técnica matemática que pode filtrar quaisquer correlações entre variáveis que não estão afetando diretamente umas às outras. Essa técnica, conhecida como laço gráfico, é uma adaptação do método frequentemente usado em modelos de aprendizado de máquina para eliminar resultados que provavelmente são devidos a ruído.

“Com modelos de rede baseados em correlação em geral, um dos problemas que podem surgir é que tudo parece ser influenciado por tudo o mais, então você tem que descobrir como reduzir para as interações mais essenciais”, diz Lauffenburger. “Usando estruturas de rede gráfica probabilística, pode-se realmente reduzir para as coisas que têm mais probabilidade de serem diretas e descartar as coisas que têm mais probabilidade de serem indiretas.”

Para testar sua abordagem de modelagem, os pesquisadores usaram dados de estudos de uma vacina contra tuberculose. Esta vacina, conhecida como BCG, é uma forma atenuada de Mycobacterium bovis . Ela é usada em muitos países onde a TB é comum, mas nem sempre é eficaz, e sua proteção pode enfraquecer com o tempo.

Na esperança de desenvolver uma proteção mais eficaz contra a TB, os pesquisadores têm testado se administrar a vacina BCG por via intravenosa ou por inalação pode provocar uma melhor resposta imunológica do que injetá-la. Esses estudos, realizados em animais, descobriram que a vacina funcionava muito melhor quando administrada por via intravenosa. No estudo do MIT, Lauffenburger e seus colegas tentaram descobrir o mecanismo por trás desse sucesso.

Os dados que os pesquisadores examinaram neste estudo incluíram medições de cerca de 200 variáveis, incluindo níveis de citocinas, anticorpos e diferentes tipos de células imunes, de cerca de 30 animais.

As medições foram feitas antes da vacinação, depois da vacinação e depois da infecção por TB. Ao analisar os dados usando sua nova abordagem de modelagem, a equipe do MIT conseguiu determinar as etapas necessárias para gerar uma forte resposta imunológica. Eles mostraram que a vacina estimula um subconjunto de células T, que produzem uma citocina que ativa um conjunto de células B que geram anticorpos direcionados à bactéria.

“Quase como um mapa rodoviário ou um mapa do metrô, você poderia encontrar quais eram realmente os caminhos mais importantes. Embora muitas outras coisas no sistema imunológico estivessem mudando de uma forma ou de outra, elas estavam realmente fora do caminho crítico e não importavam tanto”, diz Lauffenburger.

Os pesquisadores então usaram o modelo para fazer previsões de como uma interrupção específica, como a supressão de um subconjunto de células imunes, afetaria o sistema. O modelo previu que se as células B fossem quase eliminadas, haveria pouco impacto na resposta da vacina, e os experimentos mostraram que a previsão estava correta.

Essa abordagem de modelagem pode ser usada por desenvolvedores de vacinas para prever o efeito que suas vacinas podem ter e fazer ajustes que as melhorariam antes de testá-las em humanos. O laboratório de Lauffenburger agora está usando o modelo para estudar o mecanismo de uma vacina contra malária que foi dada a crianças no Quênia, Gana e Malawi nos últimos anos.

“A vantagem dessa abordagem computacional é que ela filtra muitos alvos biológicos que influenciam apenas indiretamente o resultado e identifica aqueles que regulam diretamente a resposta. Então é possível prever como a alteração terapêutica desses alvos biológicos mudaria a resposta. Isso é significativo porque fornece a base para futuros projetos de vacinas e testes que são mais orientados por dados”, diz Kathryn Miller-Jensen, professora de engenharia biomédica na Universidade de Yale, que não estava envolvida no estudo.

O laboratório de Lauffenburger também está usando esse tipo de modelagem para estudar o microambiente tumoral, que contém muitos tipos de células imunes e células cancerígenas, na esperança de prever como os tumores podem responder a diferentes tipos de tratamento.

A pesquisa foi financiada pelo Instituto Nacional de Alergia e Doenças Infecciosas.