AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development

Na busca pelo tratamento de doenças complexas, a medicina tem se baseado há muito tempo em uma estratégia de médias. Médicos e pesquisadores estudam grandes grupos de pessoas para encontrar padrões e, então, aplicam essas regras gerais a pacientes individuais. Essa abordagem funciona bem quando todos respondem de forma semelhante, mas falha quando a biologia de uma pessoa é única ou quando um tratamento padrão falha. Para preencher essa lacuna, cientistas começaram a desenvolver "gêmeos digitais" — modelos virtuais de uma pessoa específica que podem ser testados com diferentes tratamentos antes que qualquer coisa seja tentada no corpo real. Tradicionalmente, porém, esses modelos são construídos pegando os dados de uma população ampla e ajustando-os para caber em uma pessoa. Eles começam com o muitos e tentam estreitar para o um.

Uma nova linha de pesquisa desafia essa direção. Em vez de começar com uma multidão e reduzi-la, essa abordagem pergunta se o próprio histórico detalhado de uma única pessoa é suficiente para construir um modelo funcional de si mesma. Se um médico tiver registros suficientes de como o corpo de um paciente reage à comida, aos medicamentos e à vida cotidiana, será que esses registros sozinhos podem criar uma simulação confiável? Essa questão desloca o foco de encontrar um paciente que se encaixe em um modelo populacional para construir um modelo que se ajuste ao próprio histórico do paciente. Isso sugere que, com observação suficiente, uma pessoa não precisa ser comparada a outros para ser compreendida; suas próprias ações passadas podem se tornar o laboratório para seu cuidado futuro.

Maurice Antony Ewing, um pesquisador da Conquer Medical Health, testou essa ideia usando um conjunto de dados de doze pessoas vivendo com diabetes tipo 1. Esses indivíduos foram monitorados de perto por oito semanas, gerando quase 200.000 instantâneos de seus níveis de açúcar no sangue, uso de insulina e atividades diárias. O objetivo era ver se o computador poderia aprender um modelo para cada pessoa usando apenas seus próprios dados, sem depender das respostas médias das outras onze pessoas ou de qualquer grupo maior. Os pesquisadores criaram o que chamam de "primitiva biológica artificial". Pense nisso não como um perfil estático, mas como uma versão digital viva e pulsante do paciente que aprendeu suas próprias regras de comportamento a partir de sua própria história.

A equipe primeiro testou se esse modelo autoconstruído poderia identificar caminhos viáveis em direção a um estado saudável. Eles pegaram momentos em que o açúcar no sangue de um paciente estava perigosamente alto e perguntaram ao modelo: "Se você realizasse uma ação específica, como uma dose de insulina ou um pouco de exercício, isso poderia mover seu açúcar no sangue em direção a um alvo?" O modelo identificou com sucesso intervenções que reduziriam a lacuna entre o estado elevado atual e um alvo saudável em quase 97% nos testes mais flexíveis. Isso provou que o modelo poderia mapear as relações específicas entre ações e resultados para aquele indivíduo, gerando intervenções candidatas em vez de afirmar efeitos causais de tratamento.

No entanto, o teste mais crítico foi verificar se esse modelo individual era verdadeiramente diferente de um modelo construído sobre a média do grupo. Os pesquisadores compararam o conselho dado pelo próprio histórico do indivíduo contra o conselho dado por um modelo treinado em todas as doze pessoas combinadas. Os resultados foram impressionantes: os dois modelos raramente concordavam. Na verdade, eles sugeriam exatamente o mesmo plano de tratamento em apenas cerca de um quarto dos casos. A forma da resposta — a maneira como o corpo reagia a uma mudança — era tão única para cada pessoa que a média do grupo era um guia pobre para o indivíduo. Essa descoberta descarta a ideia de que um paciente pode ser representado com precisão simplesmente ajustando um modelo populacional; o próprio histórico do indivíduo contém uma geometria de resposta que o grupo simplesmente não vê.

Para garantir que esses modelos digitais não estivessem apenas adivinhando, os pesquisadores observaram o que acontecia no mundo real quando essas pessoas realmente tomavam insulina ou se exercitavam. Eles mediram o quanto a trajetória do açúcar no sangue da pessoa mudava após uma intervenção real em comparação com os momentos em que nada acontecia. Os dados mostraram que os tratamentos reais causavam uma mudança significativa e mensurável na trajetória do corpo, uma "deformação" que era quase duas vezes maior do que os movimentos naturais vistos durante períodos estáveis. Isso confirmou que o histórico do corpo detém um sinal claro de como ele reage à mudança, fornecendo a matéria-prima necessária para construir uma simulação confiável.

O estudo então passou para uma aplicação prática: usar o gêmeo digital para testar novas ideias antes de tentá-las na pessoa. O computador propôs milhares de mudanças potenciais no tratamento, como ajustar doses de insulina ou o tempo de administração. O sistema então verificava essas propostas contra o próprio passado da pessoa. Se a pessoa nunca tivesse tentado um ajuste específico, ou se seu histórico mostrasse que um movimento semelhante havia levado a resultados ruins anteriormente, o sistema sinalizava como arriscado ou sem suporte. Notavelmente, cerca de 78% das mudanças propostas tinham um precedente no próprio histórico da pessoa e, dessas, quase dois terços haviam funcionado bem antes. Isso criou uma rede de segurança onde o computador podia dizer: "Nós já tentamos isso antes, e funcionou", ou "Nós tentamos isso, e falhou", sem nunca precisar experimentar novamente no paciente.

Crucialmente, o modelo não era estático. À medida que a condição da pessoa mudava de hora em hora, a melhor sugestão de tratamento também mudava com ela. Quando os pesquisadores pediam conselhos ao modelo em diferentes momentos ou com diferentes objetivos, ele dava respostas diferentes em mais de dois terços dos casos. Isso prova que o modelo não está apenas atribuindo uma pessoa a uma categoria fixa, como "diabético Tipo A", mas está agindo como um parceiro experimental dinâmico que evolui com o paciente.

Os pesquisadores também testaram se este método funcionava além do diabetes. Eles aplicaram a mesma lógica a dados de nível populacional sobre políticas governamentais durante a pandemia e a dados sobre como células cerebrais individuais respondem a estímulos visuais. Em ambos os casos, o sistema pôde aprender com o histórico específico daquele sistema — fosse um país ou um neurônio — e simular como ele responderia a novos estímulos. Isso sugere que a abordagem não se limita a um tipo de biologia, mas é uma forma geral de usar a observação profunda para entender como qualquer sistema se comporta.

O estudo conclui que, para o cuidado personalizado e o desenvolvimento de medicamentos, a ferramenta mais poderosa pode não ser um banco de dados maior de outras pessoas, mas um registro mais profundo do indivíduo. Ao tratar o próprio histórico de uma pessoa como a fonte primária da verdade, médicos e pesquisadores podem construir um laboratório virtual que é específico para aquela pessoa. Isso permite que eles selecionem tratamentos, rejeitem aqueles que o histórico diz que falharão e priorizem aqueles que o histórico diz que funcionarão, tudo antes que uma única pílula seja engolida ou uma única injeção seja aplicada. O trabalho não afirma ter resolvido o problema da doença, mas oferece uma nova maneira de pensar sobre ela: que a resposta para o problema único de um paciente pode ser encontrada inteiramente dentro de seu próprio passado, esperando para ser lida por uma máquina que sabe como ouvir.