Uso de machine learning aumenta eficiência de terapia genética

Por anos, a terapia genética tem sido considerada uma esperança para a cura de diversas doenças. Em teoria, a técnica propõe eliminar a causa das doenças “consertando” diretamente o DNA das células com funcionamento anômalo. Na prática, entretanto, essa tarefa se provou muito mais complicada do que as primeiras promessas fizeram parecer. Um dos principais gargalos teve um avanço impressionante com a descoberta há poucos anos do sistema CRISPR, que permite a edição do DNA de qualquer célula com alta precisão. Mas o segundo maior entrave continua em pé: como garantir que o DNA terapêutico, que deve substituir o material genético doente, chegue até a célula-alvo.

Tradicionalmente, este processo é feito se utilizando do mecanismo pelo qual os vírus infectam células. Os cientistas já entendem o suficiente do ciclo de vida dos vírus para cooptar suas ferramentas para fins terapêuticos: o DNA que faz parte da terapia genética é colocado dentro de um capsídeo, que é o envoltório proteico que originalmente protege o vírus e garante que ele consiga adentrar as células do organismo que está infectando. Entretanto, não é fácil encontrar a “receita” ideal para gerar um capsídeo capaz de chegar ileso até o órgão onde a terapia genética deve ser aplicada, e ainda entregar o material que carrega dentro das células adequadas.

Um dos capsídeos mais utilizados atualmente é aquele derivado de vírus adeno-associados (AAV, adeno-associated virus). Apesar de apresentar os melhores resultados, ainda se sabe muito pouco sobre sua biologia, de forma que aumentar sua eficiência para uma terapia específica depende da mutação aleatória das proteínas que compõem o capsídeo. Como qualquer técnica que depende de processos aleatórios, este processo costuma ter um rendimento muito baixo. A maioria das alterações resulta em capsídeos não viáveis, ou então com baixa performance terapêutica – o que só é descoberto algum tempo considerável depois, quando os testes em animais são concluídos.

Uma promessa interessante baseada em machine learning acaba de ser apresentada pela empresa Dyno Therapeutics, em um trabalho publicado no final de novembro na renomada publicação científica Science. Primeiro, eles geraram uma biblioteca contendo todas as possíveis alterações unitárias nas proteínas que compõem o capsídeo original. Depois, eles mediram as propriedades funcionais importantes para que estes capsídeos alterados fossem apropriados para a terapia genética, como a taxa de produção viral, imunidade, termoestabilidade e biodistribuição. Então, eles usaram os dados coletados para treinar um modelo que se tornasse capaz de sugerir múltiplas alterações que aumentassem sua eficiência terapêutica. Os resultados foram muito superiores àqueles obtidos pela mutação aleatória das proteínas do capsídeo, quando avaliados em uma terapia direcionada ao fígado de camundongos. E ainda permitiram a identificação de uma proteína que parece ser essencial para o sucesso da infecção, o que deve facilitar melhorias futuras. Como o algoritmo do estudo usou modelos lineares simples, os autores consideram que ele ainda pode ser melhorado, usando modelos mais complexos e um universo maior de dados.

O trabalho mostra o potencial de conectar várias técnicas avançadas, como aquelas envolvidas na terapia genética e os modelos de machine learning, para permitir avanços que seriam raros sem este efeito sinergético.