IA desenvolve vacinas para o novo coronavírus com maior cobertura populacional

No momento, 25 vacinas para o novo coronavírus estão na fase clínica de avaliação, enquanto que outras 139 estão na fase pré-clínica. O panorama de combate ao vírus parece promissor, mas alguns cientistas estão preocupados com o fato de que, mesmo que algumas dessas vacinas se mostre eficiente, seus efeitos podem se revelar limitados a apenas algumas parcelas da população. Isso se deve ao fato de que a imunidade conferida pelas vacinas depende de dois fatores, um ligado ao vírus, e outro ao organismo hospedeiro. Da parte do vírus, são peptídeos – pequenas moléculas de aminoácidos – presentes em sua superfície que são capazes de elicitar resposta imunológica. Ao se ligar a receptores das células imunológicas do organismo que o vírus ataca, eles ativam estas células para, entre outras coisas, produzir anticorpos. Entretanto, o universo de peptídeos e receptores possíveis é grande (este vírus possui cerca de 155 mil peptídeos deste tipo), de forma que encontrar as melhores combinações é, tradicionalmente, uma tarefa de tentativa e erro. Além disso, um mesmo tipo de receptor pode provocar reações diferentes nas pessoas, já que existem pequenas variações genéticas entre grupos populacionais que interferem na qualidade da ligação.

Pesquisadores do Instituto de Tecnologia de Massachusetts desenvolveram um método baseado em machine learning para aumentar a eficiência da pesquisa por vacinas. O método, publicado esta semana, usa informações acerca das estruturas dos peptídeos e dos receptores celulares humanos para predizer a proporção da população que deverá ser coberta por uma vacina potencial.

O protocolo desenvolvido é composto de duas partes. Na primeira, um algoritmo batizado OptiVax é responsável por encontrar pares peptídeo-receptor com potencial para gerar uma resposta imunológica. Este algoritmo é um ensemble de onze programas pré-existentes, que geram scores de afinidade para os pares de moléculas de interesse, refinando seus resultados com base em resultados obtidos experimentalmente para algumas dessas combinações, que servem como dataset de treinamento. As melhores combinações preditas são identificadas através de beam search, uma técnica de busca que usa um subconjunto dos melhores resultados para encontrar a melhor solução possível. O segundo algoritmo, chamado EvalVax, usa dados populacionais de milhares de indivíduos classificados em três etnias diferentes – brancos, negros e asiáticos -, para determinar quais soluções encontradas pelo OptiVax são capazes de proteger uma proporção maior da população. Os dois algoritmos atuam em paralelo, sendo que o EvalVax age como função objetivo do OptiVax, ajudando o primeiro a encontrar os pares peptídeo-receptor com maior cobertura populacional. Com os resultados publicados, os autores reportam uma performance superior em todas as métricas de avaliação em comparação às vacinas desenvolvidas tradicionalmente.

A grande vantagem do protocolo apresentado em comparação aos métodos tradicionais é que a busca por uma vacina eficiente é direcionado, garantindo que apenas as vacinas de maior cobertura sigam no processo de desenvolvimento. Isto é especialmente importante para conter uma pandemia, já que a prospecção por vacinas candidatas é apenas a primeira parte do trabalho: depois, estes candidatos devem passar por todo o processo de validação in vivo, o que, na melhor das hipóteses, pode levar meses. Além disso, como a pesquisa e o combate a este vírus estão acontecendo em tempo real, é possível que novas descobertas sobre suas características – por exemplo, sua taxa de mutação, que altera os peptídeos de superfície ao ponto de, nos casos mais extremos, inutilizar as vacinas -, qualquer metodologia que oriente as pesquisas nas direções mais promissoras deve ser priorizada.

Os autores do trabalho estão no momento colaborando com outros pesquisadores e empresas comerciais para testar os designs produzidos pelo seu protocolo em modelos animais. Uma vez que eles se mostrem promissores, o próximo passo são os testes clínicos.

Os dados utilizados e algoritmos desenvolvidos estão disponíveis para consulta no Github.