AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems

Na maioria das vezes, quando usamos inteligência artificial para compreender a biologia, pedimos que ela olhe para o futuro. Alimentamos um computador com uma imagem da saúde atual de um paciente ou um instantâneo de um vírus se espalhando por uma cidade, e pedimos à máquina que preveja o que acontecerá a seguir. O nível de açúcar no sangue dessa pessoa subirá amanhã? O número de infecções aumentará no próximo mês? Essa abordagem voltada para o futuro tornou-se o padrão para a medicina moderna e a saúde pública. É uma forma poderosa de prever riscos, mas deixa uma questão crucial sem resposta. Um médico ou um formulador de políticas raramente precisa saber apenas o que irá acontecer; eles precisam saber o que fazer para que algo diferente aconteça. Eles precisam saber exatamente quanta insulina administrar, ou quão rigoroso deve ser um lockdown, para mover um sistema em direção a um resultado específico e desejado.

Esta é a diferença entre observar um rio fluir e saber quais rochas mover para mudar seu curso. Durante décadas, cientistas tentaram construir "gêmeos digitais" — cópias virtuais de pacientes ou populações que mimetizam a vida real tão fielmente que podem ser testadas com diferentes tratamentos. No entanto, esses gêmeos digitais frequentemente falham porque são construídos sobre médias. Eles descrevem como uma pessoa típica reage, não como um indivíduo específico reage a uma ação específica. Se um modelo nunca viu um determinado medicamento em seus dados de treinamento, ele não pode dizer com confiabilidade o que esse medicamento fará para um paciente específico, mesmo que forneça uma resposta que pareça confiante. O resultado é um sistema que pode prever bem, mas não consegue guiar a ação com segurança.

Um novo estudo de Maurice Antony Ewing propõe uma maneira diferente de pensar sobre esses modelos computacionais. Em vez de construir um gêmeo que imita uma pessoa, o autor trata o modelo de IA treinado como um "primitivo biológico". Este é um conceito mais simples: o modelo não é uma réplica de todo o histórico de uma pessoa, mas um registro aprendido de como um sistema realmente respondeu às coisas que lhe foram feitas no passado. Se os dados mostram que uma quantidade específica de exercício baixou o açúcar no sangue em um grupo de pessoas, o modelo aprende essa relação específica. O pesquisador então inverte o modelo. Em vez de perguntar, "O que acontece se eu fizer isso?", o modelo é questionado: "Qual quantidade desta ação nos levará àquele objetivo?". Esse processo, chamado de inversão direcionada, busca os níveis precisos de intervenção necessários para mover um sistema em direção a um estado alvo, mas utilizando apenas as alavancas que os dados realmente sustentam.

Para testar se essa ideia funciona no mundo real, o estudo aplicou o método a três sistemas biológicos muito diferentes: a fisiologia individual de pessoas com diabetes tipo 1, a dinâmica populacional da pandemia de COVID-19 e as respostas microscópicas de neurônios no cérebro. Os pesquisadores começaram treinando modelos de IA padrão para prever estados futuros em cada uma dessas áreas. Para os dados de diabetes, os modelos aprenderam a prever níveis futuros de glicose no sangue com base em insulina, alimentação e atividade passadas. Para os dados da pandemia, aprenderam a prever números futuros de casos com base em políticas como lockdowns e taxas de testagem. Para os dados cerebrais, aprenderam como os neurônios disparam em resposta a estímulos visuais específicos. Esses modelos de previsão (forward models) foram altamente precisos, provando que haviam aprendido os padrões subjacentes dos dados.

Uma vez treinados os modelos, os pesquisadores pediram que eles trabalhassem de trás para frente. Eles definiram um alvo — por exemplo, um nível seguro de açúcar no sangue para um paciente diabético ou um número menor de infecções para uma cidade — e pediram ao modelo que encontrasse a combinação específica de ações para chegar lá. No grupo de diabetes, que envolveu 400 casos de alto risco, o método foi notavelmente eficaz. Quando os pesquisadores pediram ao modelo para encontrar a quantidade certa de atividade física isoladamente, ele reduziu a lacuna entre o estado atual do paciente e o alvo em 76,5 por cento. Quando pediram a quantidade certa de insulina isoladamente, a lacuna encolheu 60,6 por cento. Quando permitiram que o modelo combinasse tanto atividade quanto insulina, mas mantendo as sugestões dentro de limites clínicos seguros, a lacuna foi reduzida em 87,8 por cento. Se removeram esses limites de segurança e deixaram o modelo buscar livremente, ele encontrou soluções que reduziram a lacuna em 96,4 por cento. Em quase todos os casos, o modelo encontrou uma maneira de mover o sistema mais próximo do objetivo.

Os resultados foram ligeiramente mais modestos, mas consistentes, quando aplicados à escala maior da pandemia de COVID-19. Aqui, o objetivo era reduzir a carga de casos futuros. Quando o modelo buscou o nível certo de medidas de lockdown, ele reduziu a lacuna projetada em 17,9 por cento. A testagem isolada ajudou em 5,8 por cento, e a vacinação em 3,8 por cento. No entanto, quando o modelo combinou essas três estratégias, reduziu a lacuna em 25,1 por cento. Esta diferença destaca um achado fundamental: embora uma ação isolada possa ajudar, a dinâmica complexa de uma pandemia é moldada pela combinação de muitos fatores trabalhando juntos. O método mostrou que problemas de nível populacional exigem uma mistura de intervenções, em vez de uma única solução milagrosa.

Talvez a parte mais surpreendente do estudo tenha sido o quanto os pesquisadores pudram alcançar sem buscar através de todas as combinações possíveis de ações. No mundo real, existem milhares de tratamentos ou políticas potenciais, mas muitos deles não são suportados pelos dados disponíveis. O estudo testou uma abordagem "compacta", onde o modelo foi restringido a buscar apenas através de uma lista curta e curada de intervenções que são conhecidas por serem plausíveis e que estão de fato registradas nos dados. Para os casos de diabetes, esta lista compacta recuperou 79,0 por cento da possível melhoria em direção ao alvo. A busca completa e irrestrita adicionou apenas outros 2,2 por cento de melhoria. Para os dados da pandemia, a lista compacta recuperou 85,9 por cento da melhoria, com a busca completa adicionando apenas 0,5 por cento a mais. Isso sugere que não precisamos adivinhar loucamente ou buscar através de milhões de opções impossíveis para encontrar soluções eficazes. Precisamos apenas olhar para as ações que sabemos que existem e para as quais temos dados.

O estudo também demonstrou um recurso de segurança crítico desta abordagem: o modelo se recusa a inventar soluções que não pode sustentar. No grupo de diabetes, os pesquisadores tentaram pedir ao modelo que encontrasse soluções envolvendo certos medicamentos, como metformina ou drogas GLP-1. Como os dados originais para esses pacientes não incluíam registros desses medicamentos específicos, o modelo simplesmente os pulou. Ele não alucinou um resultado ou fingiu saber o que aconteceria. Ele retornou uma resposta nula, indicando que não poderia visar aquelas alavancas específicas. Isso é um contraste gritante com muitos sistemas de IA atuais, que poderiam sugerir confiantemente um tratamento mesmo que nunca tenham visto dados sobre ele. A abordagem "primitiva" é fundamentada no que os dados realmente contêm, tornando-a uma ferramenta mais segura para a tomada de decisões.

A mesma lógica foi aplicada ao cérebro. Utilizando dados do Allen Brain Observatory, que contém mais de 1,2 milhão de observações de como os neurônios respondem à luz, os pesquisadores construíram um primitivo que aprendeu como células específicas reagem aos estímulos. Eles foram capazes de perguntar ao modelo qual nível de estímulo moveria um neurônio em direção a um padrão de disparo específico. Isso mostrou que o método funciona não apenas para pessoas inteiras ou populações inteiras, mas também para as menores unidades da biologia. O neurônio, o paciente e a cidade são todos tratados como sistemas que respondem a entradas, e o modelo aprende o mapa dessas respostas.

O autor é cuidadoso ao afirmar que este é um método de investigação, não uma prescrição final. Os resultados advêm de olhar para trás nos dados históricos, não de realizar novos ensaios clínicos. O modelo identifica os níveis de intervenção que moveriam um sistema em direção a um alvo com base no comportamento passado, mas não prova que essas intervenções funcionarão em um novo cenário do mundo real. É uma forma de estreitar as possibilidades e encontrar os caminhos mais promissores para explorar. O estudo argumenta que, ao tratar a IA como um primitivo biológico que pode ser interrogado de forma reversa, os cientistas podem ir além da simples previsão. Em vez de apenas perguntar o que acontecerá, eles podem perguntar qual nível de ação é necessário para fazer algo acontecer, desde que se limitem às alavancas que os dados sustentam. Essa mudança de adivinhar o futuro para visar o presente oferece uma maneira mais fundamentada e prática de usar a inteligência artificial na medicina e na saúde pública.