Forecasting viral evolution from phylogenetic trees
O artigo apresenta o antiGen, um modelo de aprendizado de máquina que utiliza árvores filogenéticas para prever com precisão futuras mutações virais em múltiplos patógenos, incluindo SARS-CoV-2, influenza e dengue, aumentando, assim, a preparação para pandemias e o desenvolvimento terapêutico.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
Os vírus são metamorfos implacáveis. À medida que se multiplicam dentro de um hospedeiro, cometem pequenos erros de cópia em seu código genético, criando novas versões de si mesmos. A maioria dessas mudanças não faz nada, mas ocasionalmente, uma mutação confere ao vírus uma nova vantagem, como a capacidade de se espalhar mais rápido ou de driblar o sistema imunológico. Essa evolução constante é o motivo pelo qual uma vacina contra a gripe do ano passado pode não protegê-lo este ano, e por que novas variantes de doenças como a COVID-19 podem surgir inesperadamente. Para se manter à frente dessas ameaças, os cientistas precisam prever quais mudanças provavelmente acontecerão a seguir. Tradicionalmente, os pesquisadores tentaram adivinhar essas futuras mutações estudando como as proteínas se comportam em laboratório ou usando modelos computacionais que analisam vastas bibliotecas de sequências genéticas existentes. No entanto, esses métodos frequentemente têm dificuldade em ver o quadro completo de como um vírus realmente se move através do tempo e das populações.
Uma equipe de pesquisadores da Universidade de Stanford e do Arc Institute desenvolveu uma nova abordagem que observa a história familiar do vírus para prever seu futuro. Eles criaram um modelo de aprendizado de máquina chamado antiGen, que aprende com o caminho evolutivo de um vírus, em vez de apenas com seu código genético atual. Em vez de simplesmente memorizar sequências, o modelo estuda os passos específicos que um vírus deu para passar de uma versão para outra, de forma muito semelhante a um historiador estudando os eventos específicos que levaram a uma grande mudança histórica. Ao analisar a "árvore genealógica" de um vírus — um diagrama que mapeia como diferentes linhagens estão relacionadas e quando divergiram — o modelo aprende as regras que governam quais mutações têm probabilidade de aparecer a seguir. Este método permite que o sistema antecipe mudanças que nunca foram vistas antes, oferecendo uma ferramenta poderosa para preparar vacinas e tratamentos antes mesmo que uma nova variante se espalhe.
Os pesquisadores testaram esse sistema primeiro no vírus SARS-CoV-2, a causa da pandemia de COVID-19. Eles alimentaram o modelo com milhões de sequências genéticas coletadas durante o primeiro ano da pandemia e pediram que ele previsse as mutações que apareceriam nos anos seguintes. O modelo teve um desempenho superior a qualquer método existente na previsão das próximas mudanças prováveis na proteína spike do vírus, a parte que permite ao vírus entrar nas células humanas. Crucialmente, ele também teve sucesso em prever mutações que nunca haviam sido observadas nos dados de treinamento, sugerindo que havia aprendido os princípios subjacentes da evolução viral, em vez de apenas memorizar eventos passados. Para confirmar que essas previsões eram biologicamente reais, a equipe criou as variantes virais previstas em laboratório. Eles descobriram que a maioria das mutações geradas pelo computador produzia vírus que ainda podiam infectar células, provando que o modelo estava propondo mudanças viáveis e funcionais, em vez de erros aleatórios.
O sucesso do antiGen não se limitou ao coronavírus. A equipe aplicou o mesmo modelo a outros três vírus comuns: influenza sazonal, vírus sincicial respiratório (VSR) e vírus da dengue. Mesmo com muito menos dados genéticos disponíveis para esses vírus em comparação ao SARS-CoV-2, o modelo ainda superou os métodos tradicionais na previsão de suas futuras mutações. Isso sugere que a abordagem funciona em uma ampla gama de vírus, independentemente de quanta quantidade de dados de vigilância esteja disponível. Os pesquisadores também descobriram que a precisão do modelo melhorava à medida que mais dados eram coletados, o que significa que ele se torna uma ferramenta mais poderosa quanto mais longo continuarmos a rastrear a evolução viral. Em alguns casos, combinar as previsões do modelo com métodos estatísticos existentes criou um sistema de previsão ainda mais robusto, capaz de lidar com cenários ricos e pobres em dados.
Embora o modelo seja altamente preciso ao prever quais mutações têm probabilidade de ocorrer, os pesquisadores enfatizam que ele não cria novos patógenos perigosos. As mudanças que ele prevê são pequenas mutações de etapa única que já fazem parte do processo evolutivo natural. Essas previsões pretendem ajudar autoridades de saúde pública e desenvolvedores de vacinas a ficarem um passo à frente. Ao saber quais mutações provavelmente emergirão, os cientistas podem projetar vacinas que visem não apenas o vírus que circula hoje, mas as versões que provavelmente dominarão o amanhã. Essa abordagem proativa pode transformar a forma como gerenciamos doenças infecciosas, mudando o foco de reagir a surtos para preveni-los antes que ganhem força. O estudo demonstra que, ao ouvir a história escrita no código genético de um vírus, podemos começar a ler seu futuro.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.