Cell IO: a database linking single-cell transcriptomes to literature-derived knowledge of cell functions and perturbations

A biologia há muito tempo se baseia em uma questão fundamental: o que um tipo específico de célula realmente faz? Por décadas, os cientistas podiam identificar uma célula pelos genes que ela carrega ou pelas proteínas em sua superfície, de forma muito semelhante a reconhecer uma pessoa pelo seu crachá. Mas saber um nome não explica o trabalho de uma pessoa, seus hábitos ou como ela reage quando o mundo ao seu redor muda. Na era moderna da biologia, os pesquisadores agora podem ler as instruções genéticas de células individuais, criando bibliotecas massivas de dados que mostram exatamente quais genes estão ativos em uma única célula em um momento específico. Essas bibliotecas cresceram para incluir centenas de milhões de células de humanos, camundongos e ratos. No entanto, o conhecimento do que essas células realmente realizam — como combatem doenças, como se comunicam ou o que acontece quando um gene é quebrado — permanece espalhado por milhares de artigos científicos, enterrado em textos que os computadores não conseguem ler facilmente.

Um pesquisador do Centro RIKEN de Pesquisa em Dinâmica de Sistemas Biológicos, no Japão, construiu uma ponte entre esses dois mundos. Ele criou um novo banco de dados público chamado Cell IO, que liga os dados genéticos brutos de células individuais diretamente ao conhecimento escrito encontrado na literatura científica. Ao usar uma linguagem comum para descrever tipos de células, o sistema permite que um cientista comece com uma lista de genes e veja instantaneamente o que a comunidade científica mundial escreveu sobre o comportamento daquela célula. Inversamente, um pesquisador lendo sobre a função de uma célula específica pode encontrar imediatamente os dados genéticos que sustentam essas afirmações. Esta ferramenta não apenas armazena informações; ela as organiza para que o "quê" da composição genética de uma célula esteja sempre pareado com o "como" e o "porquê" de sua função, transformando uma montanha de fatos desconectados em um mapa navegável da vida celular.

O projeto começou enfrentando o enorme volume de dados genéticos disponíveis em arquivos públicos. O pesquisador reuniu sequências genéticas brutas de mais de 65.000 experimentos envolvendo células humanas, de camundongos e de ratos. Esses experimentos não eram uniformes; eles vieram de laboratórios diferentes, usaram máquinas diferentes e foram processados de maneiras diferentes. Para torná-los comparáveis, ele submeteu cada experimento individual a um mesmo pipeline de computador. Este processo envolveu a limpeza dos dados, a remoção de erros e o agrupamento de células semelhantes. Eles então atribuíram um nome padrão a cada grupo de células com base em um dicionário universal de tipos celulares, garantindo que uma "célula T" em um estudo de camundongo fosse reconhecida como o mesmo tipo de célula em um estudo humano. O resultado é uma coleção massiva e organizada contendo quase 83 milhões de células de quase 15.000 experimentos, todos processados da mesma forma para que possam ser comparados diretamente.

Embora os dados genéticos tenham fornecido o mapa das células, o pesquisador sabia que também precisava da história do que essas células fazem. Para encontrar isso, ele recorreu à literatura científica. Ele coletou centenas de milhares de artigos de pesquisa de acesso aberto e artigos de revisão, concentrando-se no sistema imunológico e no sistema nervoso. Usando modelos de computador avançados treinados para ler e compreender a linguagem, ele extraiu declarações específicas sobre o comportamento celular. O sistema aprendeu a identificar sentenças onde uma célula atua como um agente, como uma célula que mata um vírus ou uma célula que libera um sinal químico. Também buscou descobertas relacionadas a perturbações gênicas, que são experimentos onde cientistas deliberadamente quebram ou alteram um gene para ver como a célula reage.

O computador não apenas leu o texto; ele verificou as afirmações. Ele checou as sentenças para garantir que a célula era verdadeiramente a que realizava a ação e não apenas uma espectadora. Em seguida, traduziu os nomes específicos usados nos artigos para o mesmo dicionário padrão usado para os dados genéticos. Isso criou uma segunda camada de conhecimento contendo quase 900.000 declarações distintas sobre funções celulares. Algumas dessas declarações vêm de artigos de pesquisa originais descrevendo novas descobertas, enquanto outras vêm de artigos de revisão que resumem o que já é conhecido. O sistema também observou a força da evidência, distinguindo entre declarações que são firmemente afirmadas pelo autor e aquelas que são meramente sugeridas ou especulativas.

O verdadeiro poder do Cell IO reside em como essas duas camadas se conectam. Como tanto os dados genéticos quanto as afirmações da literatura usam os mesmos nomes padrão para tipos celulares, o banco de dados pode ligá-los perfeitamente. Um usuário pode pesquisar um tipo de célula específico, como uma célula T reguladora, e ver uma única página que mostra tanto os dados genéticos quanto a literatura. De um lado, a página exibe em quantos experimentos esse tipo de célula foi encontrado e em quais tecidos é mais comum. Do outro lado, lista as milhares de sentenças de artigos científicos que descrevem o que essa célula faz. A interface permite que o usuário filtre essas afirmações pelo tipo de evidência, pelo organismo ou pela direção do efeito, como se uma mudança gênica aumentou ou diminuiu a atividade da célula.

Essa conexão revela lacunas em nosso conhecimento atual. O banco de dados mostra que, embora alguns tipos de células sejam bem estudados tanto em dados genéticos quanto na literatura, outros aparecem frequentemente em experimentos genéticos, mas têm muito pouco escrito sobre suas funções específicas. Por exemplo, um certo tipo de célula pineal foi encontrado em mais de um milhão de células através de milhares de experimentos, mas o banco de dados contém apenas quatro afirmações escritas sobre o que ela faz. Inversamente, alguns tipos de células possuem muitas descrições escritas, mas carecem de dados genéticos correspondentes na coleção atual. Ao destacar esses descompassos, a ferramenta ajuda os cientistas a ver onde seu entendimento está incompleto e onde a pesquisa futura deve ser direcionada.

O banco de dados está disponível gratuitamente para qualquer pessoa com uma conexão à internet, não exigindo registro especial ou instalação de software. Ele foi projetado para ser intuitivo, permitindo que um usuário comece de um nome de célula, um tipo de tecido ou até mesmo de um gene específico e navegue até os dados e o texto relevantes. O pesquisador enfatiza que o sistema é uma ferramenta para exploração, e não uma autoridade final. As afirmações são extraídas por máquina e ligadas diretamente às suas fontes originais, permitindo que os usuários verifiquem a informação por si mesmos. O pesquisador reconhece que a coleção atual é limitada a tipos específicos de experimentos e organismos, e que a extração automatizada de texto, embora altamente precisa, não é perfeita. No entanto, ao fornecer uma visão unificada do que as células são e do que elas fazem, o Cell IO oferece uma nova maneira de navegar pelo complexo cenário da biologia moderna, transformando fragmentos dispersos de conhecimento em um todo coerente.