A periodontite é uma doença inflamatória crônica que compromete os tecidos de suporte dos dentes, podendo causar dor, sangramento, perda dentária e impactos relevantes na qualidade de vida. Apesar de sua alta prevalência e de sua importância em saúde pública, sobretudo em países de baixa e média renda, ainda há desafios para compreender plenamente seus mecanismos e para implementar estratégias de diagnóstico e monitoramento mais precisas e acessíveis. Evidências atuais indicam que a doença está fortemente associada à disbiose do microbioma subgengival e à resposta inflamatória persistente do hospedeiro, com possíveis repercussões sistêmicas. Neste cenário, o avanço das tecnologias ômicas (como metagenômica, transcriptômica, proteômica e metabolômica) ampliou a capacidade de investigar, em alta resolução, tanto a composição microbiana quanto as alterações moleculares dos tecidos periodontais. Entretanto, a complexidade e o volume desses dados exigem integração e interpretação robustas. Assim, este trabalho discute, em linguagem de divulgação científica, como a bioinformática translacional e a inteligência artificial podem organizar e integrar dados multi-ômicos, reconhecer padrões biológicos associados à saúde e à doença, e apoiar a identificação de assinaturas moleculares com potencial aplicação em diagnóstico, triagem e acompanhamento clínico. Por fim, são discutidos os principais desafios para a implementação dessas abordagens, incluindo padronização, validação clínica e adaptação a contextos com infraestrutura limitada, destacando oportunidades para soluções escaláveis e de maior impacto populacional.
Autores: Wellington Francisco Rodrigues, Raquel Cardoso de Melo Minardi, Aristóteles Goés-Neto, Siomar de Castro Soares
1. Introdução
A periodontite é uma doença inflamatória crônica que afeta os tecidos de suporte dos dentes e pode levar à dor, sangramento gengival, perda dentária e impactos na qualidade de vida. Trata-se de uma condição altamente prevalente em todo o mundo e que representa um importante desafio para os sistemas de saúde, especialmente em países de baixa e média renda [1–3]. Além das manifestações locais, evidências recentes indicam que a periodontite pode se associar a alterações sistêmicas, reforçando sua relevância em saúde pública.
O desenvolvimento da periodontite está intimamente relacionado ao desequilíbrio do microbioma subgengival. Nesse processo, microrganismos normalmente presentes na cavidade oral passam a se organizar de forma desarmônica, favorecendo espécies associadas à inflamação e reduzindo microrganismos comensais. Esse desarranjo microbiano sustenta uma resposta inflamatória persistente, capaz de promover destruição tecidual e manutenção da doença [4]. Entre os diferentes tipos de amostras estudadas, o fluido crevicular gengival destaca-se por permitir a avaliação simultânea de marcadores da resposta do hospedeiro e de componentes microbianos [5].
Nas últimas décadas, o avanço das tecnologias ômicas revolucionou a investigação da periodontite. Técnicas de sequenciamento genético, análises de expressão gênica, estudos proteômicos e metabolômicos permitem examinar, em grande detalhe, tanto a composição microbiana quanto a resposta molecular dos tecidos periodontais. Nesse cenário, a bioinformática tornou-se essencial para integrar grandes volumes de dados biológicos, identificar padrões ocultos e construir modelos explicativos sobre os mecanismos envolvidos na doença [6].
Paralelamente, a incorporação de métodos de inteligência artificial e aprendizado de máquina ampliou a capacidade de análise desses dados complexos. Essas ferramentas permitem reconhecer perfis moleculares associados à presença, progressão ou resposta ao tratamento da periodontite, abrindo caminho para estratégias mais precisas de diagnóstico, monitoramento e prognóstico. Apesar desses avanços, ainda existem desafios relacionados à padronização metodológica e à validação clínica dessas abordagens, especialmente quando se considera sua aplicação em contextos com recursos limitados [7].
Diante desse panorama, o objetivo deste artigo é apresentar de forma integrada como diferentes abordagens ômicas, associadas à bioinformática e à inteligência artificial, contribuem para o entendimento dos mecanismos da periodontite e para o desenvolvimento de novas possibilidades diagnósticas e translacionais, com potencial impacto em saúde pública.
2. Desenvolvimento
O entendimento da periodontite passou por uma transformação significativa nas últimas décadas. Tradicionalmente, essa condição era interpretada como resultado da ação direta de bactérias patogênicas específicas. Entretanto, estudos recentes demonstraram que a doença está associada principalmente ao desequilíbrio do microbioma subgengival como um todo, no qual comunidades microbianas organizam-se de forma disfuncional, favorecendo processos inflamatórios persistentes e destruição dos tecidos periodontais [1–4]. Essa nova perspectiva ampliou o interesse por abordagens capazes de investigar simultaneamente microrganismos, tecidos do hospedeiro e suas interações.
Nesse contexto, as tecnologias ômicas tornaram-se ferramentas centrais para a pesquisa em periodontite. Técnicas de sequenciamento genético permitem identificar a composição microbiana presente na cavidade oral, enquanto análises de expressão gênica, proteômica e metabolômica possibilitam investigar como células do hospedeiro e microrganismos respondem às alterações do ambiente periodontal. Essas abordagens revelaram que a periodontite não é apenas uma infecção localizada, mas um processo biológico complexo que envolve múltiplas camadas moleculares em constante interação [2–6].
A grande quantidade de dados gerada por essas tecnologias trouxe um novo desafio: como integrar e interpretar informações tão diversas. É nesse ponto que a bioinformática assume papel essencial. Por meio de ferramentas computacionais, torna-se possível organizar grandes conjuntos de dados, identificar padrões biológicos relevantes e construir modelos que ajudam a compreender os mecanismos envolvidos na instalação e progressão da periodontite. Além disso, a integração de diferentes tipos de dados, como informações microbianas, genéticas e proteicas, permite uma visão mais completa da doença, favorecendo a identificação de potenciais biomarcadores e novos alvos terapêuticos [6,7].
Paralelamente, a aplicação de inteligência artificial e aprendizado de máquina vem ampliando ainda mais o potencial dessas análises. Esses métodos são capazes de reconhecer padrões complexos que dificilmente seriam percebidos por análises tradicionais. No contexto da periodontite, modelos computacionais têm sido empregados para classificar perfis moleculares associados à saúde e à doença, sugerir assinaturas biológicas úteis para diagnóstico precoce e indicar possíveis trajetórias de progressão ou resposta ao tratamento. Dessa forma, a inteligência artificial atua como uma ponte entre dados biológicos complexos e aplicações clínicas mais precisas.
Outro aspecto relevante é a busca por matrizes biológicas de coleta simples e minimamente invasiva. Amostras como saliva e fluido crevicular gengival permitem acessar informações tanto do microbioma quanto da resposta inflamatória do hospedeiro. Isso abre perspectivas para o desenvolvimento futuro de testes rápidos e acessíveis, capazes de auxiliar o diagnóstico e o monitoramento da periodontite em ambientes clínicos e comunitários [5–7].
Apesar dos avanços, ainda existem desafios importantes. A diversidade de metodologias empregadas nos estudos, a falta de padronização de protocolos e a necessidade de validação clínica em diferentes populações limitam, por enquanto, a ampla implementação dessas tecnologias na prática odontológica cotidiana. Superar essas barreiras será essencial para transformar descobertas laboratoriais em soluções realmente aplicáveis, especialmente em contextos com restrições de infraestrutura e recursos.
De modo geral, a integração entre abordagens multi-ômicas, bioinformática e inteligência artificial representa uma das fronteiras mais promissoras da pesquisa em periodontite. Ao permitir uma compreensão mais profunda dos mecanismos biológicos envolvidos e ao abrir caminho para estratégias diagnósticas e prognósticas mais precisas, essas ferramentas têm potencial para impactar positivamente a prevenção, o tratamento e o monitoramento da doença em escala global (Figura 1).
Figura 1. Bioinformática translacional e inteligência artificial aplicadas à periodontite. Fluxo conceitual integrando (1) matrizes biológicas de coleta acessível, como saliva, fluido crevicular gengival e placa subgengival; (2) abordagens multi-ômicas, incluindo metagenômica, transcriptômica, proteômica e metabolômica; (3) processamento e integração dos dados por ferramentas de bioinformática; (4) aplicação de modelos de inteligência artificial e aprendizado de máquina para reconhecimento de padrões biológicos; (5) identificação de biomarcadores moleculares; e (6) desenvolvimento de aplicações clínicas voltadas ao diagnóstico, triagem, monitoramento e prognóstico da periodontite. O painel inferior destaca desafios para a tradução clínica dessas abordagens, incluindo padronização metodológica, validação em diferentes populações, custo e infraestrutura, especialmente em contextos de baixo e médio recurso.
3. Conclusão
A periodontite deixou de ser compreendida apenas como uma infecção localizada para ser reconhecida como uma condição biológica complexa, resultante da interação contínua entre microbioma, resposta imunológica e fatores ambientais. Esse novo entendimento tem sido possível graças ao avanço das tecnologias ômicas e à capacidade da bioinformática em integrar e interpretar grandes volumes de dados biológicos.
A incorporação de métodos de inteligência artificial ampliou ainda mais esse cenário, permitindo a identificação de padrões moleculares associados à saúde e à doença e abrindo perspectivas para diagnósticos mais precoces, monitoramento individualizado e estratégias terapêuticas mais direcionadas. Ao mesmo tempo, o uso de matrizes biológicas de fácil obtenção, como saliva e fluido crevicular gengival, aproxima essas inovações da prática clínica e da realidade dos serviços de saúde.
Apesar dos avanços expressivos, a consolidação dessas abordagens ainda depende de esforços para padronização metodológica, validação em diferentes populações e adaptação a contextos com infraestrutura limitada. Superar esses desafios será essencial para que descobertas laboratoriais se convertam em soluções acessíveis e aplicáveis em larga escala.
Em síntese, a integração entre bioinformática, abordagens multi-ômicas e inteligência artificial representa um caminho promissor para transformar o cuidado em periodontite, fortalecendo ações de prevenção, diagnóstico e acompanhamento, com potencial impacto positivo na saúde bucal e sistêmica da população.
Agradecimentos. A FAPEMIG – “Redes Estruturantes de Pesquisa Científica ou de Desenvolvimento Tecnológico”, no projeto “Aplicações da Genômica no Contexto de OneHealth” (ID: RED-00181-23).
4. Referências
[1] Abusleme, L; Dupuy, AK; Dutzan, N; Silva, N; Burleson, JA; Strausbaugh, LD; et al. The subgingival microbiome in health and periodontitis and its relationship with community biomass and inflammation. ISME J. Vol. 7, n. 5, p. 1016-25 (2013). doi: https://doi.org/10.1038/ismej.2012.174
[2] LaMonte, MJ; Genco, RJ; Zheng, W; McSkimming, DI; Andrews, CA; Hovey, KM; et al. Substantial Differences in the Subgingival Microbiome Measured by 16S Metagenomics According to Periodontitis Status in Older Women. Dent J (Basel). Vol. 6, n. 4 (2018). doi: https://doi.org/10.3390/dj6040060
[3] Genco, RJ; LaMonte, MJ; McSkimming, DI; Buck, MJ; Li, L; Hovey, KM; et al. The Subgingival Microbiome Relationship to Periodontal Disease in Older Women. J Dent Res. Vol. 98, n. 9, p. 975-84 (2019). doi: https://doi.org/10.1177/0022034519854464
[4] Camelo-Castillo, AJ; Mira, A; Pico, A; Nibali, L; Henderson, B; Donos, N; et al. Subgingival microbiota in health compared to periodontitis and the influence of smoking. Front Microbiol. Vol. 6, p. 119 (2015). doi: https://doi.org/10.3389/fmicb.2015.00119
[5] Field, CA; Gidley, MD; Preshaw, PM; Jakubovics, N. Investigation and quantification of key periodontal pathogens in patients with type 2 diabetes. J Periodontal Res. Vol. 47, n. 4, p. 470-8 (2012). doi: https://doi.org/10.1111/j.1600-0765.2011.01454.x
[6] Hu, H; Leung, WK. Mass Spectrometry-Based Proteomics for Discovering Salivary Biomarkers in Periodontitis: A Systematic Review. Int J Mol Sci. Vol. 24, n. 19 (2023). doi: https://doi.org/10.3390/ijms241914871
[7] Bostanci, N; Selevsek, N; Wolski, W; Grossmann, J; Bao, K; Wahlander, A; et al. Targeted Proteomics Guided by Label-free Quantitative Proteome Analysis in Saliva Reveal Transition Signatures from Health to Periodontal Disease. Mol Cell Proteomics. Vol. 17, n. 7, p. 1392-409 (2018). doi: https://doi.org/10.1074/mcp.RA117.000454