Machine Learning Prediction of Antimicrobial Response in Pleurotus ostreatus Extracts Cultivated on Cassava Peel: A Proof-of-Concept Study

Imagine o mundo de invasores minúsculos e invisíveis — bactérias e fungos — que às vezes nos deixam doentes. Por muito tempo, tivemos armas especiais chamadas antibióticos para combater esses invasores, mas eles estão ficando espertos. Eles estão aprendendo como desviar de nossas armas, um problema que os cientistas chamam de "resistência antimicrobiana". É como um jogo de esconde-esconde onde os que se escondem estão ficando melhores em se ocultar, e precisamos encontrar novas maneiras de pegá-los. Uma ideia promissora é olhar para a própria farmácia da natureza, especificamente para os cogumelos. Alguns cogumelos, como o cogumelo ostra (Pleurotus ostreatus), são famosos por produzir substâncias químicas que podem deter esses bichos ruins em seu caminho. Ainda mais legal, esses cogumelos podem crescer em coisas que normalmente jogamos fora, como as cascas das raízes de mandioca. Mas aqui está a parte complicada: testar cada lote de cogumelos contra cada germe é lento, caro e exige muito trabalho. Os cientistas estão se perguntando se podem usar uma "bola de cristal" feita de matemática e computadores — chamada Aprendizado de Máquina (Machine Learning) — para prever quais extratos de cogumelos funcionarão melhor antes mesmo de começarem os testes laboratoriais complicados.

Este artigo é um estudo de "prova de conceito", que é uma maneira elegante de dizer: "Vamos fazer um pequeno teste para ver se essa ideia da bola de cristal é sequer possível". Os pesquisadores cultivaram cogumelos ostra em cascas de mandioca e depois fizeram dois tipos de extratos líquidos a partir deles: um usando álcool (etanol) e outro usando água. Eles testaram esses líquidos contra sete tipos diferentes de germes para ver o quão bem eles impediam o crescimento dos germes. Em vez de apenas observar os resultados, eles alimentaram todos os dados em um programa de computador chamado modelo "Random Forest". Pense neste modelo como um detetive super organizado que procura pistas — como o tipo de líquido usado para fazer o extrato, o tipo de germe que ele está combatendo e a composição química do lote de cogumelos — para prever o resultado.

O detetive fez um trabalho decente em uma tarefa específica: prever o tamanho da "zona de inibição". Imagine desenhar um círculo em uma placa de Petri onde os germes não conseguem crescer; quanto maior o círculo, melhor o extrato do cogumelo funciona. O modelo de computador conseguiu adivinhar o tamanho desse círculo com um sucesso moderado, obtendo uma pontuação de precisão (R-quadrado) de 0,68. Foi muito bom em adivinhar que círculos maiores aconteceriam com certas condições. A pista mais importante que o detetive encontrou foi o solvente de extração. Se o extrato foi feito com álcool ou água importava muito mais do que as minúsculas diferenças químicas entre os lotes de cogumelos. Na verdade, a composição química específica dos cogumelos contribuiu muito pouco para a previsão.

No entanto, o detetive bateu de frente com uma parede ao tentar prever outra coisa: a Concentração Inibitória Mínima (CIM). Esta é uma medida de quanto do extrato é necessário para interromper o germe completamente. Quando o computador tentou adivinhar se o extrato era forte o suficiente para ser um "vencedor" ou um "perdedor", ele teve um desempenho ruim, acertando a resposta apenas 43% das vezes. Estava basicamente tentando adivinhar no escuro. Isso nos diz que as pistas que os cientistas tinham — como a química do lote e o tipo de germe — não eram suficientes para distinguir entre um extrato forte e um fraco.

Então, qual é o veredito? O estudo sugere que o aprendizado de máquina pode ser um ajudante útil para explorar medicamentos de cogumelos, mas ainda não é uma varinha mágica. O computador aprendeu que o tipo de líquido usado para fazer o extrato é um fator enorme, mas não conseguiu entender os detalhes mais finos de quão forte seria o remédio. Os autores são cuidadosos ao dizer que estes resultados são apenas o começo. Como eles testaram apenas um pequeno número de amostras (42 observações) e apenas três lotes de cogumelos, a imagem ainda está um pouco embaçada. Para construir uma bola de cristal verdadeiramente confiável, eles dizem que precisamos de conjuntos de dados muito maiores, testando muito mais tipos de cogumelos e germes, com medições químicas ainda mais detalhadas. Por enquanto, este estudo é um primeiro passo divertido e promissor que mostra o potencial de misturar biologia com ciência da computação, mesmo que o computador ainda precise de muito mais lição de casa antes de poder substituir a bancada do laboratório.