A inteligência artificial ajuda a anotar vírus desconhecidos

Os vírus são uma força enigmática e ainda insuficientemente compreendida nos ecossistemas microbianos. Os investigadores sabem que conseguem infetar, matar e manipular células humanas e bacterianas em praticamente todos os ambientes, dos oceanos ao intestino humano.

No entanto, os cientistas ainda não dispõem de uma visão completa da forma como os vírus afetam os ambientes que os rodeiam, em grande medida devido à sua extraordinária diversidade e à capacidade de evoluírem rapidamente.

As comunidades de micróbios são difíceis de analisar em laboratório. Muitos micróbios são difíceis de cultivar e o seu ambiente natural reúne muito mais fatores que influenciam o seu sucesso ou insucesso do que aqueles que os cientistas conseguem reproduzir num laboratório.

Por isso, biólogos de sistemas como eu sequenciam frequentemente todo o ADN presente numa amostra - por exemplo, uma amostra de fezes de um doente -, isolam depois as sequências de ADN viral e, por fim, anotam as regiões do genoma viral que codificam proteínas.

Estas anotações sobre a localização, a estrutura e outras características dos genes permitem aos investigadores compreender as funções que os vírus poderão desempenhar no ambiente e ajudam a distinguir diferentes tipos de vírus.

Os investigadores anotam vírus comparando as sequências virais de uma amostra com sequências previamente anotadas existentes em bases de dados públicas de sequências genéticas virais.

Contudo, os cientistas estão a identificar sequências virais no ADN recolhido do ambiente a um ritmo muito superior à nossa capacidade de anotar esses genes. Isto significa que os investigadores publicam resultados sobre vírus em ecossistemas microbianos usando frações inaceitavelmente pequenas dos dados disponíveis.

Para reforçar a capacidade dos investigadores estudarem vírus em todo o mundo, a minha equipa e eu desenvolvemos uma nova abordagem para anotar sequências virais com recurso à inteligência artificial.

Com modelos de linguagem de proteínas, semelhantes aos grandes modelos de linguagem como o ChatGPT, mas especificamente concebidos para proteínas, conseguimos classificar sequências virais nunca antes observadas. Isto abre caminho para que os investigadores não só aprendam mais sobre os vírus, como também abordem questões biológicas difíceis de responder com as técnicas atuais.

Anotação de vírus com inteligência artificial

Os grandes modelos de linguagem utilizam as relações entre palavras em vastos conjuntos de dados textuais para fornecer possíveis respostas a perguntas cuja resposta não lhes foi explicitamente “ensinada”.

Quando pergunta a um chatbot “Qual é a capital de França?”, por exemplo, o modelo não procura a resposta numa tabela de capitais. Em vez disso, usa o treino realizado com enormes conjuntos de documentos e informação para deduzir a resposta: “A capital de França é Paris.”

De modo semelhante, os modelos de linguagem de proteínas são algoritmos de inteligência artificial treinados para reconhecer relações entre milhares de milhões de sequências proteicas de ambientes de todo o mundo. Com esse treino, poderão conseguir inferir algo sobre a natureza das proteínas virais e as suas funções.

Perguntámo-nos se os modelos de linguagem de proteínas conseguiriam responder à seguinte questão: “Considerando todas as sequências genéticas virais anotadas, qual é a função desta nova sequência?”

Na nossa prova de conceito, treinámos redes neuronais com sequências de proteínas virais previamente anotadas em modelos de linguagem de proteínas pré-treinados e, posteriormente, utilizámo-las para prever a anotação de novas sequências de proteínas virais.

A nossa abordagem permite examinar o que o modelo está a “ver” numa determinada sequência viral que conduz a uma anotação específica. Isto ajuda a identificar proteínas candidatas de interesse, quer pelas suas funções particulares quer pela organização do seu genoma, reduzindo o espaço de pesquisa em conjuntos de dados gigantescos.

Ao identificar funções de genes virais com parentesco mais distante, os modelos de linguagem de proteínas podem complementar os métodos atuais e proporcionar novas perspetivas para a microbiologia.

Por exemplo, a minha equipa e eu conseguimos usar o nosso modelo para descobrir uma integrase anteriormente não reconhecida - um tipo de proteína capaz de transportar informação genética para dentro e para fora das células - nas picocianobactérias marinhas globalmente abundantes Prochlorococcus e Synechococcus.

Importa salientar que esta integrase poderá conseguir mover genes para dentro e para fora destas populações de bactérias nos oceanos, permitindo que estes micróbios se adaptem melhor a ambientes em transformação.

O nosso modelo de linguagem identificou também uma nova proteína de cápside viral disseminada pelos oceanos de todo o planeta. Produzimos a primeira imagem de como os seus genes estão organizados, demonstrando que pode conter diferentes conjuntos de genes, o que, na nossa opinião, indica que este vírus desempenha funções distintas no seu ambiente.

Estas conclusões preliminares representam apenas duas de milhares de anotações fornecidas pela nossa abordagem.

Analisar os vírus desconhecidos nos oceanos

A maioria das centenas de milhares de vírus recentemente descobertos continua sem classificação. Muitas sequências genéticas virais correspondem a famílias de proteínas sem função conhecida ou nunca tinham sido observadas. O nosso trabalho demonstra que modelos de linguagem de proteínas semelhantes podem ajudar a estudar as ameaças e o potencial dos muitos vírus não caracterizados do planeta.

Embora o nosso estudo se tenha centrado nos vírus dos oceanos globais, melhorar a anotação de proteínas virais é essencial para compreender melhor o papel dos vírus na saúde e na doença no corpo humano.

Vírus, microbioma intestinal e doença

Nós e outros investigadores colocámos a hipótese de que a atividade viral no microbioma intestinal humano possa ser alterada quando uma pessoa está doente. Isto significa que os vírus poderão ajudar a identificar stress nas comunidades microbianas.

No entanto, a nossa abordagem também tem limitações, pois exige anotações de elevada qualidade. Os investigadores estão a desenvolver modelos de linguagem de proteínas mais recentes que incorporam outras “tarefas” no seu treino, em especial a previsão de estruturas proteicas para detetar proteínas semelhantes, tornando-os mais robustos.

Disponibilizar todas as ferramentas de inteligência artificial através dos Princípios de Dados FAIR - dados localizáveis, acessíveis, interoperáveis e reutilizáveis - pode ajudar a comunidade científica a concretizar o potencial destas novas formas de anotar sequências proteicas, conduzindo a descobertas que beneficiem a saúde humana.

Libusha Kelly, Professora Associada de Biologia de Sistemas e Computacional, Microbiologia e Imunologia, Albert Einstein College of Medicine

Este artigo é republicado de The Conversation ao abrigo de uma licença Creative Commons. Leia o artigo original.