A pesquisa apresenta um novo quadro de intelig\u00eancia artificial que permite entender melhor o estado de uma c\u00e9lula ao combinar informa\u00e7\u00f5es de diferentes m\u00e9todos de medi\u00e7\u00e3o. O objetivo \u00e9 mapear o que \u00e9 comum entre modalidades e o que \u00e9 \u00fanico, oferecendo uma vis\u00e3o mais completa dos mecanismos celulares.<\/p>\n
Realizada por pesquisadores do Broad Institute do MIT e de Harvard, em parceria com ETH Zurich e o Paul Scherrer Institute (PSI), a inova\u00e7\u00e3o foi publicada na revista Nature Computational Science. A equipe descreve um sistema capaz de indicar a origem das informa\u00e7\u00f5es dentro de uma c\u00e9lula, facilitando a interpreta\u00e7\u00e3o por parte de biol\u00f3gicos cl\u00ednicos.<\/p>\n
O estudo envolve a pesquisadora Xinyi Zhang, ligada ao MIT e ao Broad Institute, que tamb\u00e9m atua como l\u00edder de grupo na AITHYRA, em Viena. Tamb\u00e9m participaram G.V. Shivashankar, da ETH Zurich e PSI, e Caroline Uhler, do MIT, com atua\u00e7\u00e3o conjunta no Broad Institute.<\/p>\n
Os autores destacam que medi\u00e7\u00f5es m\u00faltiplas s\u00e3o comuns na biologia celular, como an\u00e1lise de RNA ou morfologia de cromatina. O novo framework utiliza um espa\u00e7o de representa\u00e7\u00e3o compartilhado e espa\u00e7os separados para cada modalidade, permitindo identificar dados que se sobrep\u00f5em ou s\u00e3o exclusivos.<\/p>\n
A abordagem muda o desenho t\u00edpico de modelos de IA, que costumavam empilhar informa\u00e7\u00f5es de cada modalidade sem diferenciar origem. Com o modelo proposto, o sistema informa automaticamente quais dados s\u00e3o compartilhados e quais s\u00e3o espec\u00edficos de uma modalidade.<\/p>\n
Em testes com dados sint\u00e9ticos, o framework identificou com precis\u00e3o informa\u00e7\u00f5es compartilhadas e espec\u00edficas. Em dados reais de c\u00e9lulas \u00fanicas, houve distin\u00e7\u00e3o entre atividade gen\u00e9tica capturada por diferentes m\u00e9todos, al\u00e9m de indicar qual t\u00e9cnica mede um marcador de DNA danificado em pacientes com c\u00e2ncer.<\/p>\n
Segundo Uhler, o m\u00e9todo pode responder a perguntas sobre quais modalidades medir ou prever, ajudando a planejar experimentos cl\u00ednicos. A equipe tamb\u00e9m planeja tornar as informa\u00e7\u00f5es mais interpret\u00e1veis e ampliar aplica\u00e7\u00f5es em quest\u00f5es cl\u00ednicas.<\/p>\n
O desenvolvimento contou com apoio de institui\u00e7\u00f5es como o Eric and Wendy Schmidt Center, a Swiss National Science Foundation e o NIH, entre outros. A pesquisa tamb\u00e9m recebeu recursos do Office of Naval Research, AstraZeneca, MIT-IBM Watson AI Lab e outros programas ligados ao Broad Institute.<\/p>\n
Os autores destacam o potencial de oferecer uma vis\u00e3o mais hol\u00edstica do estado celular, o que pode facilitar o entendimento de mecanismos de doen\u00e7as, incluindo c\u00e2ncer, neurodegenera\u00e7\u00e3o e doen\u00e7as metab\u00f3licas.<\/p>\n","protected":false},"excerpt":{"rendered":"