Making Accelerating Medicines Partnership Data Findable and Interoperable through a Common Data Model: Extending OMOP for Multi-Source Multimodal Data

A medicina moderna é cada vez mais impulsionada pela capacidade de ler as instruções moleculares dentro de nossas células. Cientistas podem agora medir milhares dessas instruções de uma só vez, criando vastas bibliotecas de dados que descrevem como os genes se comportam em pessoas saudáveis e como eles mudam naquelas com doenças como o Alzheimer ou diabetes. Essas medições, frequentemente chamadas de dados "ômicos", oferecem uma janela poderosa para o funcionamento interno do corpo. No entanto, um problema significativo surgiu: embora os dados existam, eles estão espalhados. Diferentes projetos de pesquisa armazenam suas descobertas em diferentes formatos digitais, usando seus próprios rótulos e sistemas de arquivamento únicos. É como se cada biblioteca de uma cidade usasse uma língua diferente para catalogar seus livros, tornando quase impossível para um pesquisador entrar e fazer uma pergunta que exija a leitura de várias prateleiras ao mesmo tempo. Essa fragmentação impede que os cientistas vejam o quadro geral, como saber se um padrão biológico encontrado em uma doença também aparece em outra.

Para resolver isso, uma equipe de pesquisadores da Accelerating Medicines Partnership, uma colaboração entre agências governamentais e empresas privadas, propôs-se a construir um sistema de arquivamento universal para esses complexos dados biológicos. Eles não inventaram uma nova linguagem do zero, o que seria lento e difícil de ser adotado pela comunidade científica. Em vez disso, pegaram um sistema já existente e amplamente utilizado para organizar registros de saúde clínica e o estenderam cuidadosamente para lidar com as necessidades únicas dos dados moleculares. Este novo framework, chamado SysBio Common Data Model, atua como um tradutor que permite que dados de diferentes fontes sejam comparados lado a lado sem forçar os proprietários originais dos dados a mudar a forma como armazenam seus arquivos. A equipe demonstrou que essa abordagem funciona ao mapear com sucesso os dados de quatro diferentes projetos de doenças, provando que os pesquisadores agora podem fazer perguntas amplas através de diferentes condições e tecidos usando uma única consulta unificada.

O cerne deste trabalho reside em um compromisso inteligente entre flexibilidade e estrutura. Os pesquisadores partiram do modelo Observational Medical Outcomes Partnership, um sistema padrão já confiado por milhares de investigadores em todo o mundo para organizar registros de pacientes, como diagnósticos, medicamentos e visitas hospitalares. Embora este sistema fosse excelente para o histórico clínico, carecia das ferramentas específicas necessárias para descrever como os experimentos moleculares foram realizados ou onde os arquivos digitais resultantes estavam armazenados. Para corrigir isso sem quebrar o sistema existente, a equipe adicionou apenas quatro novas tabelas à estrutura do banco de dados. Essas novas seções atuam como pastas especializadas para registrar detalhes sobre os próprios testes laboratoriais — como o tipo de máquina utilizada ou o protocolo específico seguido — e para apontar para os arquivos digitais reais onde os dados brutos residem. Ao vincular essas novas pastas aos registros de pacientes existentes através de conexões padrão, o modelo preserva a integridade dos dados clínicos originais enquanto adiciona o contexto necessário para a análise molecular.

Essa escolha de design foi deliberada e prática. Os pesquisadores testaram seu novo modelo contra dados de onze conjuntos de dados diferentes abrangendo quatro grandes áreas de doenças, incluindo Alzheimer, Parkinson e condições autoimunes. Esses conjuntos de dados variavam drasticamente em suas origens, contendo informações de tecido cerebral, sangue e urina, coletadas de pacientes antes e depois da morte. Apesar dessas diferenças, o novo modelo conseguiu trazer todos eles para uma única estrutura compartilhada. O resultado é um sistema onde um cientista pode fazer uma pergunta complexa, como "Encontre todos os arquivos de atividade gênica de amostras de rim de pacientes com lúpus", e o computador pode traçar o caminho desde o diagnóstico do paciente até a amostra de tecido específica, depois ao teste laboratorial e, finalmente, ao arquivo digital, tudo sem precisar conhecer as peculiaridades únicas do projeto original que gerou os dados.

Uma parte crítica para fazer este sistema funcionar foi garantir que as palavras usadas para descrever os dados significassem a mesma coisa em todos os lugares. No passado, um projeto poderia chamar um estágio específico de uma doença de "Estágio 3", enquanto outro chamava de "Grau C", levando à confusão ao tentar combinar seus resultados. Para evitar isso, a equipe criou um registro central que atua como um dicionário, definindo exatamente o que cada termo significa e como ele deve ser registrado. Eles utilizaram um fluxo de trabalho que combina inteligência artificial com especialistas humanos para mapear os termos desordenados e variados dos projetos originais para essas definições limpas e padronizadas. A IA sugere as conexões, e os especialistas humanos revisam para garantir a precisão, criando uma ponte confiável entre os dados antigos e isolados e o novo modelo unificado. Esse processo garante que, quando um pesquisador olha para os dados de dois estudos diferentes, ele esteja realmente comparando maçãs com maçãs.

O sucesso deste projeto sugere que a colaboração científica em larga escala pode avançar sem exigir que cada participante abandone seus métodos atuais. O modelo não exige que os hospedeiros de dados movam seus arquivos ou reformatem seus bancos de dados; em vez disso, fornece uma camada de organização que se assenta sobre os dados existentes, tornando-os encontráveis e utilizáveis por outros. Os pesquisadores mostraram que essa abordagem pode lidar com a complexidade da biologia moderna, desde os tipos específicos de tecidos utilizados até as diferentes máquinas que geraram os dados. Embora a versão atual se concentre em um conjunto específico de testes moleculares, o design foi construído para crescer. A equipe delineou um caminho para adicionar novos tipos de dados, como imagens espaciais ou diferentes medições químicas, simplesmente adicionando mais detalhes específicos ao framework existente, em vez de reconstruir todo o sistema.

Em última análise, este trabalho transforma a maneira como os cientistas podem explorar as conexões entre diferentes doenças. Ao transformar um difícil projeto de integração em uma simples consulta de busca, o novo modelo remove uma barreira importante para a descoberta. Ele permite que os pesquisadores busquem assinaturas biológicas compartilhadas entre condições que eram anteriormente estudadas de forma isolada, potencialmente revelando novos alvos para tratamentos que poderiam ajudar pacientes com múltiplas doenças diferentes. O sistema permanece flexível o suficiente para se adaptar conforme novas tecnologias emergem, garantindo que a vasta e crescente coleção de dados biomédicos possa ser usada em todo o seu potencial. Os pesquisadores disponibilizaram seu blueprint e as ferramentas para usá-lo ao público, convidando a comunidade científica mais ampla a construir sobre esta base e continuar o trabalho de tornar os dados biológicos complexos acessíveis a todos.