🧬 biology

Interpretable tissue-resolved drug toxicity prediction with pathway-level mechanism attribution

O artigo apresenta o ToxiPred, uma rede neural de duas torres interpretável que prevê a toxicidade de fármacos específica de tecidos através da integração de dados multiômicos por meio de um gargalo ao nível de vias, permitindo tanto a pontuação precisa de responsabilidade quanto a atribuição mecanística de efeitos adversos.

Autores originais: Aleksandr Ianevski, Erlend Ravlo, Jørn Schjølberg, Rakel Sæther, María Quílez, Ine Nordli, Hilde Lysvand, Synnøve Fjeldstad, Marte Skjelle, Emil Wiik, Anna Lademo, Maja Dahle, Evgeny Kulesskiy, Jani S

Publicado 2026-07-17

📖 9 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Aleksandr Ianevski, Erlend Ravlo, Jørn Schjølberg, Rakel Sæther, María Quílez, Ine Nordli, Hilde Lysvand, Synnøve Fjeldstad, Marte Skjelle, Emil Wiik, Anna Lademo, Maja Dahle, Evgeny Kulesskiy, Jani Saarela, Juho Väänänen, Niklas Andersen, Vidar Saasen, Anne Mäkelä, Anni Nieminen, Nazir Kenneth, James Booth, Emily Helgesen, Jing Ye, Magnar Bjørås, Denis Kainov

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

Imagine que você é um chef tentando criar o prato perfeito. Você tem uma receita (o fármaco) e uma cozinha (o corpo humano). O problema é que o corpo humano não é apenas uma grande cozinha; é uma cidade de diferentes bairros, cada um com suas próprias regras, ingredientes e sensibilidades. Um tempero que faz o "Distrito do Fígado" ferver pode fazer o "Distrito do Coração" colapsar, enquanto o "Distrito do Cérebro" nem sequer nota. Durante décadas, os cientistas lutaram para prever quais bairros um novo fármaco iria arruinar antes de realmente servi-lo aos pacientes. Geralmente, eles apenas adivinhavam com base na aparência química do fármaco, ignorando o fato de que o local importa tanto quanto os ingredientes. Este é o cerne da toxicidade de fármacos: descobrir não apenas se um medicamento é perigoso, mas onde no corpo ele pode causar problemas e por quê.

Apresentamos o ToxiPred, um novo detetive digital desenvolvido por pesquisadores da Universidade Norueguesa de Ciência e Tecnologia e da Universidade de Helsinque. Pense no ToxiPred como um robô de duas torres super inteligente que não olha apenas para a forma química de um fármaco; ele também estuda a "personalidade" de cada tecido do corpo. O robô tem um truque especial: ele força o fármaco e o tecido a se encontrarem em um corredor estreito de 70 "vias" específicas (como linhas de montagem biológicas dentro de nossas células). Este corredor atua como um tradutor, revelando exatamente como um fármaco específico bagunça a maquinaria de um tecido específico. Se o robô prevê que um fármaco prejudicará o coração, ele não diz apenas "Perigo!"; ele aponta o dedo e diz: "Está atrapalhando a fábrica de colesterol nas células do coração".

A equipe testou este robô em milhares de fármacos, incluindo alguns que ele nunca tinha visto antes. Eles descobriram que o ToxiPred é surpreendentemente bom em detectar problemas. Quando o testaram contra fármacos conhecidos por serem tóxicos, ele identificou corretamente os fármacos perigosos cerca de 85% das vezes para problemas hepáticos e 73% das vezes para falhas gerais em ensaios clínicos. Mas a verdadeira magia aconteceu quando testaram o robô em fármacos usados para saúde mental, como a quetiapina e a sertralina. O robô previu que esses fármacos seriam difíceis para o coração, especificamente ao interromper as vias de lipídios (gordura) e colesterol. Para provar que não era apenas uma alucinação de computador, os cientistas cultivaram "mini-órgãos" vivos (organoides) de corações, cérebros e retinas humanas em laboratório. Quando adicionaram os fármacos, os mini-corações pararam de bater e mostraram exatamente os mesmos sinais de estresse relacionados à gordura que o robô havia previsto.

Isso não é uma varinha mágica que substitui todos os testes de segurança, mas é uma lanterna poderosa. Sugere que, ao compreender as vias biológicas específicas que um fármaco atinge em diferentes tecidos, podemos priorizar quais medicamentos precisam de verificações de segurança extras e quais provavelmente são seguros para uso. Transforma um palpite cego em uma investigação direcionada, potencialmente economizando tempo, dinheiro e, o mais importante, a segurança do paciente.

A História do Robô de Duas Torres

O Problema: O Erro do "Tamanho Único"
Imagine que você tem uma chave (um fármaco) e vários tipos de fechaduras diferentes (tecidos como o fígado, o coração e o cérebro). Por muito tempo, os cientistas tentaram prever se a chave quebraria a fechadura apenas olhando para o formato dos dentes da chave. Eles frequentemente perdiam o fato de que algumas fechaduras são feitas de vidro quebradiço (tecidos sensíveis), enquanto outras são feitas de aço (tecidos resistentes). Se uma chave se encaixa perfeitamente em uma fechadura de aço, ela pode estraçalhar a fechadura de vidro. Os antigos modelos de computador eram assim: eles davam uma pontuação única para "este fármaco é tóxico?" sem dizer qual parte do corpo seria ferida ou como isso aconteceria.

A Solução: As Duas Torres do ToxiPred
Os pesquisadores construíram o ToxiPred, uma rede neural (um tipo de cérebro de computador) que funciona como um serviço de matchmaking de alta tecnologia. Ele possui duas torres principais:

A Torre do Fármaco: Esta torre observa a estrutura química do fármaco, seus alvos conhecidos e como ele altera a atividade gênica nas células.
A Torre do Tecido: Esta torre estuda a "vibe" específica de diferentes tecidos, observando quais genes estão ativos e quais são essenciais para a sobrevivência no fígado, coração, cérebro, etc.

Essas duas torres se encontram no meio em um "gargalo" — um corredor estreito com exatamente 70 vias. Pense nessas vias como 70 diferentes linhas de montagem em uma fábrica. O robô força o fármaco e o tecido a interagirem apenas através dessas 70 linhas. Se o fármaco travar a "Linha de Montagem de Colesterol" na "Fábrica do Coração", o robô percebe imediatamente. Esse design é crucial porque não prevê apenas um número; ele explica o mecanismo. Ele diz: "Este fármaco é tóxico para o coração porque entope a linha de colesterol".

O Treinamento: Aprendendo com o Passado
Para ensinar o robô, os cientistas o alimentaram com dados de 9.275 combinações diferentes de fármaco-e-tecido encontradas em bancos de dados públicos. Eles o ensinaram a prever uma "Pontuação de Sensibilidade ao Fármaco" (chamada DSStox) em uma escala de 0 a 50.

0–3.0: O fármaco é provavelmente seguro (baixa responsabilidade/risco).
3.0–5.0: O fármaco está na zona do "talvez" (limítrofe).
5.0+: O fármaco é provavelmente perigoso (alta responsabilidade/risco).

Eles testaram o robô em fármacos que nunca tinha visto, usando um método de "fármaco-disjunto". Isso significa que eles esconderam famílias inteiras de estruturas químicas durante o treinamento e pediram ao robô para adivinhar sobre formas completamente novas. Ele acertou com uma correlação de 0,73, o que é um índice muito forte para uma tarefa tão complexa.

O Teste do Mundo Real: O Desafio Anti-Infeccioso
Primeiro, eles testaram o robô em 93 fármacos anti-infecciosos (antibióticos e antivirais). Esses fármacos são projetados para matar bactérias ou vírus, não células humanas. O robô previu corretamente que esses fármacos teriam baixa toxicidade para tecidos humanos (pontuações abaixo de 3,0), enquanto sinalizou alguns fármacos de referência conhecidos por serem tóxicos para células humanas. Quando testaram esses fármacos em seis diferentes sistemas de tecidos humanos (pulmão, fígado, intestino, rim, pâncreas e mama) em laboratório, as previsões do robô coincidiram com os resultados do mundo real com uma correlação de 0,78 a 0,84. Isso provou que o robô não estava apenas chutando; ele entendia a diferença entre matar um germe e ferir um humano.

O Mergulho Profundo: O Mistério Psicotrópico
A parte mais emocionante da história envolveu 91 fármacos psicotrópicos (medicamentos para saúde mental, como antidepressivos e antipsicóticos). Cerca de 98% desses fármacos eram completamente novos para o robô; ele nunca tinha visto suas estruturas químicas antes. O robô os escaneou e sinalizou vários, incluindo quetiapina e sertralina, como tendo altos riscos de toxicidade, especificamente apontando para as vias de lipídios e colesterol.

Para ver se o robô estava certo, os cientistas cultivaram organoides humanos (versões 3D minúsculas de órgãos humanos) em uma placa. Eles usaram:

Organoides de prosencéfalo
Organoides cardíacos (coração)
Organoides de retina (olho)

Eles trataram os mini-órgãos com os fármacos e observaram o que acontecia.

O Teste do Coração: Quando adicionaram quetiapina e sertralina, os mini-organoides cardíacos pararam de bater a uma concentração de 20 µM. Isso foi um enorme sinal de alerta que coincidiu com a previsão do robô.
O Teste Molecular: Eles tiraram uma captura dos genes dentro das células cardíacas. Descobriram que a sertralina e a quetiapina ativaram genes relacionados à biossíntese de colesterol e ao metabolismo de lipídios. Isso correspondeu perfeitamente à "atribuição de via" do robô.
O Contraste: Outro fármaco, a aripiprazol, mostrou um padrão diferente, afetando genes de desenvolvimento muscular em vez disso. Isso mostrou que o robô podia distinguir entre diferentes tipos de toxicidade, não apenas uma pontuação genérica de "ruim".

O Acompanhamento Multi-ômica
Para ir ainda mais fundo, os pesquisadores estudaram a quetiapina detalhadamente. Eles usaram um truque inteligente: trataram os organoides com ácido retinoico (um estressor conhecido) e depois adicionaram a quetiapina. Isso ajudou a isolar exatamente o que a quetiapina estava fazendo. Eles descobriram que a quetiapina suprimiu genes relacionados ao transporte de lipoproteínas e à homeostase do colesterol. Eles também observaram os metabólitos (os minúsculos blocos de construção químicos) e encontraram mudanças em fumarato, malato e acilcarnitinas, sugerindo que o fármaco estava atrapalhando a forma como as células lidam com energia e gordura.

O Que Isso Significa
O artigo conclui que o ToxiPred é uma ferramenta poderosa de priorização. Não é uma bola de cristal que garante a segurança, mas é um filtro altamente eficaz. Pode pegar uma lista de milhares de novos fármacos e dizer: "Verifique estes primeiro; eles parecem que podem entupir a fábrica de colesterol no coração".

Os pesquisadores observam cautelosamente que este é um framework guiado por mecanismos, não um substituto para ensaios clínicos. Os organoides são modelos simplificados, e os dados vêm de linhagens celulares que podem não imitar perfeitamente um corpo humano inteiro. No entanto, o fato de as previsões do robô sobre vias (como o colesterol) terem coincidido com as mudanças biológicas reais em células humanas vivas é um passo gigantesco à frente. Isso sugere que agora podemos passar de perguntar "Este fármaco é tóxico?" para "Como, onde e por que este fármaco é tóxico?" antes mesmo de entregá-lo a um paciente.

No fim, o ToxiPred é como um tradutor que fala tanto "Químico" quanto "Biológico". Ao forçar essas duas linguagens a se encontrarem em um corredor estreito de 70 vias, ele revela as histórias ocultas de como os fármacos interagem com nossos corpos, oferecendo um caminho mais claro e esperançoso para medicamentos mais seguros.

Resumo Técnico: Predição de Toxicidade de Fármacos com Resolução Tecidual Interpretável e Atribuição de Mecanismo em Nível de Via

Declaração do Problema
Os efeitos adversos induzidos por fármacos são frequentemente específicos de tecidos, embora a maioria dos modelos computacionais de toxicidade forneça pontuações específicas de desfecho sem contexto mecanístico. Os métodos existentes frequentemente dependem de impressões digitais moleculares treinadas para desfechos únicos (ex: hepatotoxicidade ou cardiotoxicidade) ou utilizam dados de linhagens de células cancerígenas que carecem de representação explícita da biologia tecidual. Há uma necessidade crítica de um framework que não apenas preveja se um composto é tóxico, mas também identifique onde a toxicidade provavelmente ocorrerá (tecidos específicos) e quais vias biológicas fundamentam essa responsabilidade. Isso é particularmente desafiador para fármacos anti-infecciosos e psicotrópicos, onde distinguir a seletividade terapêutica da toxicidade às células hospedeiras ou identificar responsabilidades metabólicas crônicas é difícil.

Metodologia: ToxiPred
Os autores desenvolveram o ToxiPred, uma rede neural de duas torres projetada para prever uma pontuação de sensibilidade a fármacos orientada à toxicidade (DSStox) para cada par fármaco-tecido, fornecendo simultaneamente atribuição em nível de via.

Arquitetura: O modelo emprega uma estrutura de codificador duplo com um gargalo de 70 vias.
- Codificador de Fármaco: Processa 488 características, incluindo estruturas químicas (impressões digitais ECFP4 e descritores RDKit), anotações de alvos ChEMBL e perfis de perturbação medidos ou imputados (dos recursos LINCS L1000 e Tahoe-100M).
- Codificador de Tecido: Processa 490 características derivadas de perfis de expressão de RNA e essencialidade CRISPR do DepMap CCLE, agregados sobre o mesmo dicionário de 70 vias em 24 tecidos humanos.
- Interação: Os vetores de fármaco e tecido são projetados em um espaço de via compartilhado de 70 dimensões. O produto de Hadamard elemento a elemento ( $H = z_{drug} \times z_{tissue}$ ) forma o gargalo, representando as interações fármaco-tecido por via. Este vetor é concatenado com ramos de atalho e um prior escalar, sendo então decodificado por uma cabeça de regressão para produzir um valor DSStox único por par fármaco-tecido.
Tratamento de Dados Fora da Distribuição (Out-of-Distribution): Para compostos que carecem de perfis de perturbação medidos (apenas SMILES), o ToxiPred utiliza um imputador de química com portão (gated chemistry imputer). Este combina uma Rede Neural de Passagem de Mensagem Direcionada (DMPNN) que prevê rankings de perturbação a partir da estrutura com um imputador de vizinho mais próximo de Tanimoto. Um portão de similaridade pondera essas entradas com base na proximidade química aos compostos de treinamento medidos.
Dados de Treinamento: O modelo foi treinado em 9.275 rótulos fármaco-tecido derivados de nove recursos farmacogenômicos públicos (ex: CCLE, GDSC, PRISM), agregados por linhagem de tecido.
Implantação: Um atlas pré-computado de aproximadamente 1,29 milhão de predições (53.720 compostos × 24 tecidos) está disponível via interface web e contêiner Docker.

Principais Contribuições

Atribuição Mecanística: Diferente de modelos "caixa-preta", a arquitetura de gargalo do ToxiPred permite que cada estimativa de toxicidade seja rastreada até interações específicas em nível de via ( $H$ values), gerando hipóteses sobre os mecanismos biológicos que impulsionam a toxicidade.
Predição com Resolução Tecidual: O modelo gera um perfil de toxicidade através de 24 linhagens de tecidos distintas, em vez de um único escore agregado, permitindo a identificação de vulnerabilidades específicas de cada tecido.
Generalização para Química Não Observada: A integração do imputador com portão permite que o modelo pontue novos compostos baseando-se apenas na estrutura química, preenchendo a lacuna entre os dados de perturbação medidos e o universo químico mais amplo.
Framework de Validação Experimental: O estudo valida as predições através de três níveis: benchmarks públicos, painéis de linhagens celulares anti-infecciosas e sistemas de organoides humanos com perfil multiômico.

Resultados

Benchmarks Públicos: Em validação cruzada de scaffold disjunto de fármacos, o ToxiPred alcançou uma correlação de Pearson ( $r$ ) de 0,733 e RMSE de 5,02. Em benchmarks externos, atingiu um AUROC médio de 0,85 em três endpoints de hepatotoxicidade HepG2 (dano ao DNA, apoptose, esteatose) e 0,73 no rótulo de toxicidade de ensaios clínicos ClinTox.
Validação Anti-Infecciosa: Aplicado a um painel de 93 compostos anti-infecciosos e de referência em seis sistemas de tecidos (pulmão, fígado, intestino, rim, pâncreas, mama), o DSStox previsto correlacionou-se com a citotoxicidade celular hospedeira com $R = 0,78–0,84$ . O modelo atribuiu corretamente baixa responsabilidade a anti-infecciosos seletivos e alta responsabilidade a referências tóxicas para o hospedeiro, distinguindo a responsabilidade eucariótica da atividade antimicrobiana geral.
Painel Psicotrópico e Validação em Organoides:
- O modelo previu alta responsabilidade para quetiapina e sertralina, atribuindo isso a vias de lipídios/esteróis (biossíntese de colesterol, metabolismo de ácidos biliares).
- Experimentos com Organoides: Organoides humanos derivados de iPSC de prosencéfalo, retina e coração foram tratados com seis compostos de alta responsabilidade. A quetiapina e a sertralina interromperam contrações cardíacas visíveis a 20 µM.
- Multiômica: O perfil transcriptômico e metabolômico de organoides tratados com quetiapina confirmou a atribuição do modelo. A quetiapina induziu um programa compartilhado de lipídios/esteróis (regulação positiva de genes de colesterol/mevalonato) e suprimiu programas de remodelamento de apolipoproteína e lipoproteína. A metabolômica revelou alteração no manejo de ácidos graxos mitocondriais e no metabolismo central de carbono.
- Separação de Mecanismo: O gargalo de via distinguiu com sucesso a resposta compartilhada de lipídios/esteróis da sertralina e quetiapina da distinta resposta de estresse/estrutural cardíaca da aripiprazol.

Significância e Alegações
O artigo afirma que o ToxiPred fornece um framework de priorização guiado por mecanismos para identificar responsabilidades de fármacos em tecidos específicos que sejam biologicamente plausíveis. Os autores enfatizam que o gargalo de via serve não meramente como uma camada de interpretabilidade post-hoc, mas como um viés indutivo útil que melhora a generalização para scaffolds químicos não observados.

O estudo posiciona o ToxiPred como uma ferramenta de triagem em vez de um classificador definitivo. Ao aplicar limiares de confiança fixos (DSStox < 3,0 como baixa responsabilidade, > 5,0 como alta responsabilidade), o modelo prioriza compostos e tecidos para testes de segurança experimental. A convergência da alta responsabilidade prevista, vulnerabilidade de organoides cardíacos, parada de contração funcional e a recuperação multiômica das vias de lipídios/esteróis no caso de estudo da quetiapina demonstra a capacidade do modelo de ligar predições computacionais à biologia hepatobiliar e metabólica independente.

Os autores reconhecem limitações, observando que o DSStox reflete a viabilidade celular em vez de eventos adversos ao nível do paciente, e que o modelo depende de dados de treinamento derivados de câncer, que podem sub-representar mecanismos que exigem arquitetura tecidual madura ou exposição de longo prazo. Consequentemente, o artigo conclui que o ToxiPred deve guiar, e não substituir, os estudos de segurança farmacocinética, animal e clínica, servindo como um recurso para farmacovigilância e revisão regulatória.

A História do Robô de Duas Torres

Mais como este