Os avanços em bioinformática, impulsionados por inteligência artificial e aprendizado de máquina, estão transformando a maneira como os cientistas abordam problemas complexos na biomedicina e biologia. A capacidade de integrar grandes volumes de dados biológicos com algoritmos avançados não só melhora a compreensão das doenças, mas também abre novas possibilidades para diagnósticos e tratamentos personalizados. Além disso, a interseção da bioinformática com a toxicogenômica está transformando o cenário da toxicologia, abrindo novos horizontes para este campo de pesquisa.
Autores: Marcos Antonio Nobrega de Sousa (https://orcid.org/0000-0001-6550-6609), Dácio Dacliélio Tenório da Silva (https://orcid.org/0009-0003-2441-3125), Amanda Santos de Souza (https://orcid.org/0009-0009-5840-8272), Francisca Vitória Amaral Nobrega (https://orcid.org/0000-0002-6480-1240)
Revisão: Rafael Pereira Lemos [ORCID: 0000-0002-5894-2354], Aline de Paula Dias da Silva [0009-0003-5022-0642], Sheila
Introdução
A bioinformática é uma área que analisa, interpreta e processa dados biológicos integrada à ciência da computação, estatística e matemática. O desenvolvimento da genética e do sequenciamento de DNA resultou em um grande número de dados biológicos, que necessitam ser analisados e interpretados [1]. Desta forma, a bioinformática tornou-se uma ferramenta valiosa para o diagnóstico de doenças, por meio da análise das sequências genéticas, previsão da estrutura proteica e descoberta de inibidores enzimáticos. Neste contexto, nosso grupo de pesquisa se dedica à pesquisa em bioinformática aplicada à toxicologia e análise de doenças genéticas humanas.
Os avanços da inteligência artificial na bioinformática
A pesquisa em bioinformática, especialmente combinada com inteligência artificial (IA) e aprendizado de máquina (AM), provou ser uma ferramenta poderosa na pesquisa biomédica e na medicina personalizada. A combinação destas tecnologias permitiu a descoberta de biomarcadores, a predição da expressão genética e a descoberta de novos alvos terapêuticos. Por exemplo, a bioinformática combinada com algoritmos de aprendizagem automática pode identificar biomarcadores de nefropatia diabética e câncer renal utilizando dados transcriptômicos de bases de dados públicas como The Cancer Genome Atlas (TCGA) e Gene Expression Omnibus (GEO) [2, 3].
Além disso, o uso de métodos de AM em bioinformática facilitou a análise de grandes volumes de dados biológicos, permitindo a extração de padrões úteis que podem ser usados para melhorar o diagnóstico de doenças e na previsão de resultados clínicos [4]. A capacidade de processar grandes quantidades de dados complexos é especialmente importante em áreas como a oncologia, onde a investigação genética, como a identificação de genes relacionados ao câncer, pode levar ao aperfeiçoamento de um tratamento [5].
O desenvolvimento de ferramentas de bioinformática que utilizam bibliotecas construídas utilizando a linguagem de programação Python, e plataformas em nuvem para analisar dados de “ômicas”, também aumentou a liberdade do acesso a essas tecnologias [6]. Estas ferramentas não só facilitam a análise de dados, mas também permitem que pesquisadores de diferentes áreas trabalhem juntos e compartilhem dados e, melhor ainda, aprimorem novas pesquisas científicas.
A IA e a AM são promissoras, por exemplo, na previsão e modelagem de estruturas proteicas, onde podem levar a melhorias na produção de bioprocessos e produtos microbianos [7, 8]. A combinação de técnicas tradicionais de bioinformática com métodos de IA formam uma abordagem de ponta, permitindo aos investigadores explorar novas áreas da biologia e fazer previsões relevantes sobre a biologia e a medicina [9]. Por exemplo, o AlphaFold é um programa desenvolvido pelo Google DeepMind, que utiliza aprendizagem profunda para previsão da estrutura 3D de proteínas com base na sua sequência de aminoácidos [10].
Dessa forma, a bioinformática está associada a vários eventos importantes para a compreensão da vida. Alguns exemplos são: projeto genoma humano, que levou a avanços significativos na medicina e em áreas da saúde [11, 12]; mapeamento de tipos de células do corpo humano [13]; no melhoramento animal, auxiliando o reconhecimento e seleção de genes, aumentando a eficiência econômica da produção agropecuária [14]; e no melhoramento de plantas, auxiliando a diminuir e eliminar pragas, doenças, e aumentando o valor nutricional de várias espécies vegetais [15-18].
A inteligência artificial aliada com a bioinformática foi um ponto fundamental no desenvolvimento das pesquisas durante a pandemia da COVID-19 proporcionando análises mais rápidas de diagnósticos e tratamentos mais eficazes [19, 20]. Ela tem auxiliado os pesquisadores na manipulação de grande quantidade de dados biológicos [19], na descoberta de novos medicamentos [20], e como ferramenta de rastreamento da sequência da proteína Spike, que é uma parte principal do vírus SARS-CoV-2 que causa a COVID-19, ajudando a elaborar vacinas com maior eficiência na defesa da população global [21].
Conexão entre Bioinformática e Toxicologia
Avanços na medicina personalizada vem estabelecendo conexões da genética com a toxicologia, abrindo um novo campo chamado de toxicogenômica [22-24]. A toxicogenômica utiliza tecnologias moleculares para analisar os efeitos de substâncias tóxicas em sistemas biológicos. Essa integração permite a identificação de vias moleculares e mecanismos de toxicidade.
Deste modo, pode-se desenvolver melhores medicamentos, tratamentos para doenças específicas, e detectar toxicidade química em fármacos [25]. A bioinformática, portanto, tem ajudado com programas para analisar a segurança de novos fármacos, de forma a deixar os tratamentos mais poderosos e acessíveis para a população [26-28].
Além disso, a inteligência artificial ligada à toxicologia tem diminuído o uso de testes em animais. Os modelos de IA podem analisar grandes volumes de dados rapidamente e com alta precisão, melhorando a eficiência dos testes toxicológicos. As novas abordagens metodológicas, como as relações quantitativas estrutura-atividade (QSARs) e redes neurais profundas, oferecem alternativas eficazes aos testes tradicionais. Entretanto, os modelos de IA precisam ser rigorosamente validados para garantir que os resultados sejam confiáveis e aplicáveis na prática, além de necessitar de dados disponíveis com alta qualidade e quantidade, o que pode ser uma limitação em alguns casos [29].
No entanto, o uso da toxicologia computacional, por meio da modelagem 3D de proteínas, tem contribuído para redução ou eliminação dos testes tradicionais [30,31]. Além disso, a integração de técnicas de aprendizado de máquina na toxicogenômica está abrindo caminho para a toxicologia preditiva, onde vários métodos de aprendizado de máquina estão sendo utilizados para prever efeitos tóxicos, mostrando o potencial destes métodos computacionais para fornecer novas informações sobre toxicidade [32].
As técnicas bioinformáticas devem ser utilizadas como método primário de rastreio biológico, e não apenas como ferramenta representativa de avaliação de riscos, embora seja necessária, antes de sua ampla utilização, a confirmação por meio de estudos experimentais. O termo rastreio biológico refere-se à capacidade de acompanhar e identificar objetos, pessoas, locais e eventos relacionados a uma amostra biológica ao longo de seu ciclo de vida. Esse processo é essencial para garantir a segurança, a qualidade e a integridade das amostras, desde sua coleta até seu uso final [33].
A utilização de redes de expressão genética para melhorar a avaliação da segurança e a identificação de biomarcadores é um exemplo de como as ferramentas de bioinformática podem facilitar a tradução de dados toxicogenômicos em aplicações práticas. O modelo DTox foi aplicado para avaliar a segurança de novos compostos químicos. Ao treinar o modelo com dados de resposta a drogas e tratamentos disponíveis em repositórios públicos, foi possível prever os efeitos tóxicos de novos compostos de forma mais eficiente e precisa. Além disso, o modelo DTox também foi utilizado para analisar dados de toxicogenômica em busca de genes significativos que poderiam servir como biomarcadores. Ao utilizar representações visuais de dados tridimensionais de tempo e dosagem, o modelo conseguiu identificar genes importantes com maior precisão do que abordagens tradicionais baseadas em valores numéricos [34].
A transcriptômica também tem sido usada como uma ferramenta eficaz em testes de drogas e revolucionou a toxicogenômica ao permitir aos pesquisadores medirem as mudanças de expressão gênica em resposta aos medicamentos. Além disso, desempenha um papel importante na avaliação de riscos ambientais, medindo os efeitos causados por poluentes. As tecnologias toxicogenômicas também podem melhorar a avaliação de riscos ambientais, ao identificar alterações na expressão gênica e na atividade proteica resultantes de exposições tóxicas [35].
Essa abordagem não apenas auxilia na compreensão dos mecanismos de toxicidade, mas também na identificação de biomarcadores para exposição e risco à saúde humana. Estas ferramentas facilitam a tomada de medidas que contribuem para a melhoria da saúde pública.
Conclusão
Os avanços em bioinformática impulsionados por inteligência artificial estão transformando a maneira como os cientistas abordam problemas complexos na biomedicina e biologia, abrindo novas possibilidades para diagnósticos e tratamentos personalizados. Usando ferramentas computacionais avançadas, a combinação de bioinformática e toxicogenômica permite aos pesquisadores obter uma compreensão mais profunda dos mecanismos moleculares subjacentes à toxicidade. Esperamos que o desenvolvimento contínuo desta investigação melhore a nossa compreensão da segurança química, da saúde ambiental e, possivelmente, reduza a utilização de animais para testes toxicológicos.
Referências
[1] ARAÚJO, N. D. D. et al. A ERA DA BIOINFORMÁTICA: SEU POTENCIAL E SUAS IMPLICAÇÕES PARA AS CIÊNCIAS DA SAÚDE. Estudos de Biologia, v. 30, n. 70/72, 27 nov. 2008.
[2] SU, J. et al. Identification of diagnostic biomarkers for diabetes nephropathy by multi-chip integrated bioinformatics combining machine-learning strategies and mendelian randomization. , 19 fev. 2024. Disponível em: <https://www.researchsquare.com/article/rs-3936711/v1>. Acesso em: 28 nov. 2024
[3] PANWOON, C. et al. Identification of novel biomarkers to distinguish clear cell and non-clear cell renal cell carcinoma using bioinformatics and machine learning. PLOS ONE, v. 19, n. 6, p. e0305252, 10 jun. 2024.
[4] AUSLANDER, N.; GUSSOW, A. B.; KOONIN, E. V. Incorporating Machine Learning into Established Bioinformatics Frameworks. International Journal of Molecular Sciences, v. 22, n. 6, p. 2903, 12 mar. 2021.
[5] D. SURENDREN, E. AL. Bioinformatics and Machine Learning in Skin Cancer Risk Assessment and Prognosis: A Review. International Journal on Recent and Innovation Trends in Computing and Communication, v. 11, n. 11, p. 613–616, 31 dez. 2023.
[6] ZHAPA-CAMACHO, F.; KULMANOV, M.; HOEHNDORF, R. mOWL: Python library for machine learning with biomedical ontologies. Bioinformatics, v. 39, n. 1, p. btac811, 1 jan. 2023.
[7] STAPLES, M. et al. Artificial Intelligence for Bioinformatics: Applications in Protein Folding Prediction. , 28 fev. 2019. Disponível em: <http://biorxiv.org/lookup/doi/10.1101/561027>. Acesso em: 28 nov. 2024
[8] TANG, B. et al. Recent Advances of Deep Learning in Bioinformatics and Computational Biology. Frontiers in Genetics, v. 10, p. 214, 26 mar. 2019.
[9] ASHRAFUZZAMAN, MD. Artificial Intelligence, Machine Learning and Deep Learning in Ion Channel Bioinformatics. Membranes, v. 11, n. 9, p. 672, 31 ago. 2021.
[10] JUMPER, J. et al. Highly accurate protein structure prediction with AlphaFold. Nature, v. 596, n. 7873, p. 583–589, 26 ago. 2021.
[11] SILVA, R. C. C. D.; ALVES, M. C. S. O uso de ferramentas de bioinformática para análise de dados genéticos: uma revisão. Scientific Electronic Archives, v. 17, n. 1, 11 dez. 2023.
[12] ROOD, J. E. et al. Impact of the Human Cell Atlas on medicine. Nature Medicine, v. 28, n. 12, p. 2486–2496, dez. 2022.
[13] COUTINHO, L. L.; ROSÁRIO, M. F. D.; JORGE, E. C. Biotecnologia animal. Estudos Avançados, v. 24, n. 70, p. 123–147, 2010.
[14] MOCHIDA, K.; SHINOZAKI, K. Genomics and Bioinformatics Resources for Crop Improvement. Plant and Cell Physiology, v. 51, n. 4, p. 497–523, 1 abr. 2010.
[15] CARRER, H.; BARBOSA, A. L.; RAMIRO, D. A. Biotecnologia na agricultura. Estudos Avançados, v. 24, n. 70, p. 149–164, 2010.
[16] JOÃO, A. A. et al. Biotecnologia vegetal 4.0: uma abordagem sobre “Speed Breeding”. Research, Society and Development, v. 10, n. 12, p. e87101220120, 14 set. 2021.
[17] PÉREZ ALMEIDA, I. B. Aportes de la biotecnología al mejoramiento del arroz en Ecuador. REVISTA CIENTÍFICA ECOCIENCIA, v. 6, n. 5, p. 1–22, 4 out. 2019.
[18] CASTRO, D. et al. Inteligência Artificial aplicada à Bioinformática. Em: MARIANO, D. et al. (Eds.). BIOINFO – Revista Brasileira de Bioinformática e Biologia Computacional. 1. ed. [s.l.] Alfahelix, 2021.
[19] RAMOS, M. C. et al. Big Data e Inteligência Artificial para pesquisa translacional na Covid-19: revisão rápida. Saúde em Debate, v. 46, n. 135, p. 1202–1214, dez. 2022.
[20] MASSACCI, A. et al. Design of a companion bioinformatic tool to detect the emergence and geographical distribution of SARS-CoV-2 Spike protein genetic variants. Journal of Translational Medicine, v. 18, n. 1, p. 494, dez. 2020.
[21] ABETTAN, C.; WELIE, J. V. M. The impact of twenty-first century personalized medicine versus twenty-first century medicine’s impact on personalization. Philosophy, Ethics, and Humanities in Medicine, v. 15, n. 1, p. 11, dez. 2020.
[22] SINGH, A. V. et al. Integrative toxicogenomics: Advancing precision medicine and toxicology through artificial intelligence and OMICs technology. Biomedicine & Pharmacotherapy, v. 163, p. 114784, jul. 2023.
[23] DAVID, R. The promise of toxicogenomics for genetic toxicology: past, present and future. Mutagenesis, v. 35, n. 2, p. 153–159, 27 mar. 2020.
[24] WU, Q.; TABOUREAU, O.; AUDOUZE, K. Development of an adverse drug event network to predict drug toxicity. Current Research in Toxicology, v. 1, p. 48–55, jun. 2020.
[25] CAPONE, P.; CHIARELLA, P.; SISTO, R. Advanced technologies in genomic toxicology: Current trend and future directions. Current Opinion in Toxicology, v. 37, p. 100444, mar. 2024.
[26] LIU, Z. et al. Toxicogenomics: A 2020 Vision. Trends in Pharmacological Sciences, v. 40, n. 2, p. 92–103, fev. 2019.
[27] BATE, A.; STEGMANN, J.-U. Safety of medicines and vaccines – building next generation capability. Trends in Pharmacological Sciences, v. 42, n. 12, p. 1051–1063, dez. 2021.
[28] HARTUNG, T. ToxAIcology – The evolving role of artificial intelligence in advancing toxicology and modernizing regulatory science. ALTEX, p. 559–570, 2023.
[29] KAVLOCK, R. J. et al. Computational Toxicology—A State of the Science Mini Review. Toxicological Sciences, v. 103, n. 1, p. 14–27, maio 2008.
[30] SAMUEL TORMEN REIS, L.; BARBOSA SARAIVA, V.; VASCONCELOS SILVA, S. MINERAÇÃO DE DADOS E PREVISÃO DA ECOTOXICIDADE DE FLUIDOS DE PERFURAÇÃO – UMA REVISÃO SISTEMÁTICA: DATA MINING AND ECOTOXICITY PREDICTION OF DRILLING FLUIDS – A SYSTEMATIC REVIEW. MIX Sustentável, v. 9, n. 2, p. 135–156, 2 abr. 2023.
[31] BARUTCU, A. R.; BLACK, M. B.; NONG, A. Mining toxicogenomic data for dose-responsive pathways: implications in advancing next-generation risk assessment. Frontiers in Toxicology, v. 5, p. 1272364, 17 nov. 2023.
[32] KUNNEN, S. J. et al. Utilizing gene co-expression networks with the rat kidney TXG-MAPr tool to enhance safety assessment, biomarker identification and human translation. , 5 nov. 2023. Disponível em: <http://biorxiv.org/lookup/doi/10.1101/2023.11.03.565444>. Acesso em: 29 nov. 2024
[33] HASE, T. et al. DTox: A deep neural network-based in visio lens for large scale toxicogenomics data. The Journal of Toxicological Sciences, v. 49, n. 3, p. 105–115, 2024.
[34] PORTUGAL, J.; MANSILLA, S.; PIÑA, B. Perspectives on the Use of Toxicogenomics to Assess Environmental Risk. Frontiers in Bioscience-Landmark, v. 27, n. 10, p. 294, 28 out. 2022.