Pesquisadores da Mayo Clinic e da Goodfire, uma startup de pesquisa em San Francisco, afirmam ter utilizado um modelo de IA para prever quais mutações genéticas causam doenças e, crucialmente, explicar o porquê, oferecendo uma nova abordagem para diagnosticar e estudar distúrbios genéticos em larga escala.
A pesquisa utiliza técnicas de interpretabilidade da IA, uma nova ciência dedicada a entender os sistemas de IA, para prever e compreender quais mutações genéticas podem ser ‘patogênicas’. O professor de radiologia e chefe do programa de IA generativa da Mayo Clinic, Matthew Callstrom, destacou que o diagnóstico e tratamento precoces de certos cânceres podem ser a diferença entre a vida e a morte.
Os pesquisadores trabalharam com o Evo 2, um ‘modelo de fundação genômica’ de código aberto treinado pelo Arc Institute, para prever quais mutações de DNA causam doenças e entender quais características biológicas podem ser responsáveis. O Evo 2 é treinado para prever a próxima ‘letra’ em uma sequência de DNA, semelhante a como modelos de linguagem como o ChatGPT são treinados para prever a próxima palavra em um texto.
Treinado em 128.000 genomas de todos os domínios da vida, o Evo 2 aprende quais sequências genéticas são ‘conduzidas à vida’, conforme explicou Nicholas Wang, um dos autores do estudo. No entanto, esse conhecimento está codificado em bilhões de números que compõem o cérebro artificial do modelo, dificultando a interpretação de seu significado.
Os pesquisadores da Goodfire mostraram ao Evo 2 exemplos de mutações genéticas patogênicas e benignas, medindo quais partes de seu cérebro se ativavam em resposta, permitindo isolar a resposta da IA a mutações patogênicas. Eles descobriram que podiam prever quais mutações causavam doenças melhor do que todas as ferramentas computacionais existentes que testaram, mesmo sem o Evo 2 ter sido explicitamente treinado para essa tarefa.
Na clínica, no entanto, a previsão é insuficiente. Matt Redlon, presidente do programa de IA da Mayo Clinic e coautor do artigo, afirmou que é extremamente importante entender por que um modelo está tomando uma decisão. Investigações adicionais revelaram que o Evo 2 inferiu características biológicas significativas de uma sequência de DNA, como a identificação de limites entre diferentes seções de DNA.
Essas características biológicas ajudam a explicar por que certas mutações causam doenças e outras não. Uma mutação na borda entre duas seções de DNA é mais provável de produzir uma proteína defeituosa, levando a um distúrbio genético. O artigo destaca que a capacidade de identificar características biológicas das mutações, em vez de apenas fornecer uma pontuação de patogenicidade opaca, é um ‘avanço significativo’, segundo Bo Wang, cientista-chefe de IA da University Health Network do Canadá.
Com a redução dos custos de sequenciamento genômico, métodos de interpretação de dados genéticos, como este, podem ajudar cientistas a ‘retornar à biologia’ e criar ‘terapias personalizadas’ para indivíduos, conforme Redlon. No entanto, antes que o método da Goodfire esteja pronto para a clínica, ele precisará passar por testes maiores para entender seu desempenho em populações mais amplas e obter aprovação da FDA.
