Проект CeBeRa объединяет искусственный интеллект и биомедицину для создания персонализированных моделей лечения

A medicina conta com mais dados do que nunca: como os vai usar? Medicina e IACréditos:Magnific/DC Studio Conteúdo Esta voz foi gerada com recurso a inteligência artificial, a partir do resumo do artigo original. Embora esta tecnologia tenha sido concebida para ser útil e precisa, pode conter erros. Feedback Se consideras que o áudio não está claro ou não reflete bem o conteúdo, envia o teu feedback. A tua opinião é importante para ajudar a melhorar esta funcionalidade! - O CBeRa, um projeto europeu, visa fortalecer a investigação biomédica com sistemas complexos e inteligência artificial em Portugal, unindo biologia e medicina. - O projeto não se limita a gerar conhecimento; busca criar capacidades e promover colaborações internacionais, formando investigadores e integrando disciplinas. - Luís M. Rocha, professor na Binghamton University, lidera o programa CeBeRa e salienta a relevância da ciência das redes na pesquisa de doenças complexas. Conteúdo Este resumo foi criado com recurso a inteligência artificial. Embora esta tecnologia tenha sido concebida para ser útil e precisa, pode conter erros ou não captar todas as nuances importantes do artigo. Feedback Se consideras que o resumo não está claro ou não reflete bem o conteúdo, envia o teu feedback. A tua opinião é importante para ajudar a melhorar esta funcionalidade! Partilhar A inteligência artificial promete transformar a medicina, mas o verdadeiro desafio já não está em gerar mais dados, e sim em convertê-los em conhecimento útil para cada doente. Em entrevista, Luís Rocha, ERA Chair Holder do projeto europeu CBeRa, da Faculdade de Medicina da Universidade Católica Portuguesa, explica como a ciência dos sistemas complexos poderá abrir caminho a uma nova geração de modelos capazes de prever e tratar doenças de forma mais personalizada. O CBeRa é um projeto europeu que lidera com o propósito de robustecer a investigação biomédica através dos sistemas complexos e da inteligência artificial. Em que consiste, no essencial, esta ambição, e por que motivo importa que se concretize em Portugal? O CBeRa pretende introduzir na investigação biomédica uma perspetiva baseada em sistemas complexos, integrando inteligência artificial, ciência de dados e ciência de redes com a biologia e a medicina. A ideia é passar de uma abordagem centrada em componentes isolados para uma compreensão integrada dos processos biológicos e da doença, considerando as interações entre fatores moleculares, clínicos, comportamentais e sociais. É particularmente importante que esta capacidade seja desenvolvida em Portugal, porque permitirá reforçar a competitividade científica nacional numa área estratégica para a Europa. O projeto não visa apenas produzir novo conhecimento, mas também criar capacidade, formar investigadores, promover colaborações internacionais e aproximar diferentes disciplinas, contribuindo para uma investigação biomédica mais inovadora e preparada para responder aos desafios da medicina do futuro. As cátedras ERA destinam-se a atrair investigadores que ajudem a elevar a investigação europeia numa área estratégica. Que papel lhe compete desempenhar nessa missão, no caso do CBeRa? O papel de um projeto ERA Chair vai muito além de desenvolver um programa de investigação. A investigação é naturalmente uma componente central, mas o principal objetivo é promover mudanças estruturais na instituição que acolhe o projeto. No caso do CBeRa, isso significa criar uma linha de investigação em Sistemas Complexos aplicada à biomedicina, atrair talento internacional, formar uma equipa interdisciplinar e estabelecer novas formas de colaboração entre áreas tradicionalmente separadas. Paralelamente, o projeto procura reforçar a capacidade institucional do Centro, contribuindo para consolidar uma cultura científica aberta, internacional e baseada na integração entre investigação, formação e inovação. O objetivo é deixar capacidade instalada que perdure para além da duração do projeto e permita ao Centro afirmar-se como uma referência europeia nesta área. Repete-se com frequência que a inteligência artificial irá transformar a medicina. Para além do entusiasmo, o que está ela já efetivamente a mudar na investigação biomédica e na prática clínica, e o que permanece ainda no plano da promessa? Estamos ainda longe da previsão em tempo real para indivíduos específicos. Isto é, medicina de precisão que responda à circunstância patológica, biológica, psicológica e social particular de cada pessoa. Que papel desempenha a ciência de dados em cada etapa da doença, na prevenção, no diagnóstico e no tratamento? Poderá dar um exemplo em que interrogar os dados de outra maneira altere verdadeiramente o desfecho para o doente? A ciência de dados traz a possibilidade de fazer modelos multiescala [modelos que analisam uma doença integrando informação de diferentes níveis, dos genes e células aos órgãos, ao comportamento e ao contexto social do doente] que possam ir além de estudos baseados apenas na biologia molecular baseada em organismos modelo como, por exemplo, ratos ou moscas. Hoje, temos disponíveis dados multiómicos [informação biológica recolhida em diferentes níveis do organismo, como genes, proteínas, metabolismo e microbiota, analisada em conjunto para compreender melhor uma doença], registos de saúde eletrónicos e até dados não convencionais de coortes digitais, por exemplo, nas redes sociais. A estes juntam-se avanços computacionais e teóricos na caracterização de sistemas complexos multiescala e multivariados. Estes dados multiescala são particularmente relevantes para doenças crónicas, que se desenvolvem através de uma interação dinâmica entre fatores biológicos, psicológicos e sociais que se alteram ao longo do tempo. Esta dinâmica complexa permite uma nova abordagem científica em que a explicação e a intervenção não se restringem a fármacos para populações grandes, mas antes a intervenções focadas no caso de cada paciente, que podem ser farmacológicas, imunológicas, alimentares, psicológicas, digitais, entre outros. Um bom exemplo é a doença mental, por exemplo, a depressão e a ansiedade, em que intervenções multiescala obtêm melhores resultados do que intervenções puramente farmacológicas. Isto inclui intervenções baseadas na linguagem, como a terapia cognitivo-comportamental, ou aplicações digitais que intervêm no momento certo com especialistas humanos ou inteligência artificial. Doenças como o cancro ou as patologias neurodegenerativas são descritas como multifatoriais. O que consegue a ciência das redes discernir nestas doenças que a abordagem tradicional, centrada num gene ou numa molécula isolada, não alcança? A ciência de redes permite ligar dados muito distintos, extraindo fatores multiescala para melhor perceber e prever a patologia. No mínimo, isto permite observar coortes distintas de pacientes, organizadas por fatores como a história clínica, o microbioma, o sexo, os comportamentos, a rede social de apoio e até a disposição psicológica — muitas vezes relevante até para a aderência à terapia farmacológica. Isto é bem patente na resposta a epidemias, em que a previsão da probabilidade de uma pessoa ser infetada e da forma como responde à doença depende não só de fatores genéticos e moleculares, mas também de comorbilidades na sua história clínica e até de fatores sociais e políticos que afetam, por exemplo, a aderência à vacinação ou a utilização de máscaras. Assim, a ambição é chegar a modelos digitais de cada paciente (Digital Twins). O objetivo é obter modelos causais multiescala que permitam perceber como fatores a uma determinada escala afetam outras escalas e a resposta à doença e à terapia. Encarar uma doença como uma rede, e não como o efeito de uma causa única, pode reconfigurar a forma de procurar tratamento. O que significa essa mudança de perspetiva para quem investiga novas terapias? Primeiro, há uma mudança da perspetiva sobre onde se considera que está o mecanismo causal da doença. Na biologia molecular há sempre a assunção de que, em última análise, tem de haver um mecanismo molecular que explica a patologia. A perspetiva das redes e dos sistemas complexos leva-nos a pelo menos considerar a hipótese de que a causalidade não tem escalas ou níveis preferenciais a priori. Devem ser os dados e a experimentação que estabelecem quais as escalas de intervenção que levam a melhores resultados. Numa patologia complexa, é possível que a melhor intervenção possa ser diferente de pessoa para pessoa e, nalguns casos, que a escala mais eficaz para a intervenção possa não ser molecular. No fórum, sustentou que o desafio já não reside em gerar informação, mas em convertê-la em conhecimento útil. Estaremos a produzir mais dados de saúde do que somos capazes de aproveitar? Onde se encontra, afinal, o estrangulamento? É bem possível gerar mais dados de saúde do que somos capazes de aproveitar, especialmente se aumentarmos a recolha de dados individuais permanentes via telemóveis e outras tecnologias móveis. Mas o foco unicamente no tratamento estatístico de dados muitas vezes leva à indução de correlações que podem até prever bem a doença, mas não explicam os mecanismos causais. Por isso, é importante deduzir modelos causais para a verdadeira compreensão do fenómeno, inclusive para gerar e prever situações nunca observadas. Como é fácil obter correlações com tantos dados disponíveis, tenho receio de que se menospreze o trabalho árduo de desenvolver modelos causais preditivos. Quais são, no seu entender, a maior oportunidade e o maior risco no recurso a grandes volumes de dados em saúde nos próximos anos? Penso que a maior oportunidade é a possibilidade de obter modelos digitais precisos para cada indivíduo, que consideram escalas de causalidade que não têm sido muito estudadas na patologia complexa — nomeadamente porque organismos modelo não permitem estudar fatores exclusivamente humanos e até de cada indivíduo, desde o microbioma até fatores sociais. O maior risco é, pouco a pouco, abandonarmos uma explicação baseada em compreensão causal e aceitarmos apenas a previsão correlacional que advém de máquinas opacas. Luís M. Rocha é professor de Ciência dos Sistemas na Binghamton University, nos Estados Unidos, onde dirige o laboratório CASCI, dedicado a sistemas adaptativos complexos e inteligência computacional. É também professor visitante no Catolica Biomedical Research Center, da Faculdade de Medicina da Universidade Católica Portuguesa, onde lidera o programa CeBeRa ERA Chair. A sua investigação cruza redes e sistemas complexos, biologia computacional e inteligência artificial, com impacto na forma como se estudam organismos, doenças e comportamentos. Foi investigador principal e senior fellow no Instituto Gulbenkian de Ciência entre 2002 e 2024 e passou por instituições como Los Alamos National Laboratory, Indiana University, Fundação Champalimaud, NOVA SBE e Aix-Marseille University. Doutorado em Ciência dos Sistemas pela State University of New York at Binghamton, é Fulbright Scholar e tem desempenhado um papel relevante na afirmação internacional da ciência das redes e dos sistemas complexos. Imagem de abertura: Designed by Magnific www.magnific.com