Colin Carlson, biólogo da Universidade de Georgetown, começou a se preocupar com a varíola.
O vírus, descoberto em 1930, se espalha entre os camundongos, matando-os com eficiência implacável. Mas os cientistas nunca a consideraram uma ameaça potencial para os seres humanos. Agora o Dr. Carlson, seus colegas e seus computadores não têm tanta certeza.
Usando uma técnica conhecida como aprendizado de máquina, os pesquisadores passaram os últimos anos programando computadores para aprender sobre vírus que podem infectar células humanas. Os computadores vasculharam grandes quantidades de informações sobre a biologia e ecologia dos hospedeiros animais desses vírus, bem como os genomas e outras características dos próprios vírus. Com o tempo, os computadores passaram a reconhecer certos fatores que poderiam prever se um vírus tem o potencial de se espalhar para os seres humanos.
Uma vez que os computadores provaram sua força em vírus que os cientistas já haviam estudado intensamente, Dr. Carlson e seus colegas os implantaram no desconhecido, produzindo uma pequena lista de vírus animais com potencial para ultrapassar a barreira das espécies e causar surtos humanos.
Nas últimas execuções, os algoritmos colocaram inesperadamente o vírus da varíola do mouse no topo dos patógenos de risco.
“Toda vez que executamos este modelo, ele sobe super alto”, disse Dr. Carlson.
Intrigados, Dr. Carlson e seus colegas pesquisaram na literatura científica. Eles se depararam com a documentação de um há muito esquecido surto em 1987 na China rural. Crianças em idade escolar contraíram uma infecção que causou dor de garganta e inflamação nas mãos e nos pés.
Anos depois, uma equipe de cientistas realizou testes em zaragatoas de garganta que haviam sido coletadas durante o surto e armazenadas. Essas amostras, como o grupo relatou em 2012, continham DNA de varíola de camundongo. Mas seu estudo recebeu pouca atenção e, uma década depois, a varíola do rato ainda não é considerada uma ameaça para os seres humanos.
Se o computador programado pelo Dr. Carlson e seus colegas estiver certo, o vírus merece um novo visual.
“É uma loucura que isso tenha se perdido na vasta pilha de coisas que a saúde pública precisa filtrar”, disse ele. “Isso realmente muda a maneira como pensamos sobre esse vírus.”
Os cientistas identificaram cerca de 250 doenças humanas que surgiram quando um vírus animal ultrapassou a barreira das espécies. O HIV saltou dos chimpanzés, por exemplo, e o novo coronavírus se originou em morcegos.
Idealmente, os cientistas gostariam de reconhecer o próximo vírus de transbordamento antes que ele comece a infectar as pessoas. Mas há muitos vírus animais para os virologistas estudarem. Os cientistas identificaram mais de 1.000 vírus em mamíferos, mas isso é provavelmente uma pequena fração do número real. Alguns pesquisadores suspeitam que os mamíferos carregam dezenas de milhares de vírus, enquanto outros colocam o número em as centenas de milhares.
Para identificar potenciais novos spillovers, pesquisadores como o Dr. Carlson estão usando computadores para identificar padrões ocultos em dados científicos. As máquinas podem se concentrar em vírus que podem ser particularmente propensos a causar uma doença humana, por exemplo, e também podem prever quais animais são mais propensos a abrigar vírus perigosos que ainda não conhecemos.
“Parece que você tem um novo par de olhos”, disse Barbara Han, ecologista de doenças do Cary Institute of Ecosystem Studies em Millbrook, NY, que colabora com o Dr. Carlson. “Você simplesmente não consegue ver em tantas dimensões quanto o modelo consegue.”
Dr. Han conheceu o aprendizado de máquina em 2010. Os cientistas da computação vinham desenvolvendo a técnica há décadas e estavam começando a construir ferramentas poderosas com ela. Atualmente, o aprendizado de máquina permite que os computadores detectem cobranças de crédito fraudulentas e reconheçam os rostos das pessoas.
Mas poucos pesquisadores aplicaram aprendizado de máquina a doenças. Dr. Han se perguntou se ela poderia usá-lo para responder a perguntas em aberto, como por que menos de 10% das espécies de roedores abrigam patógenos conhecidos por infectar humanos.
Ela alimentou um computador com informações sobre várias espécies de roedores de um banco de dados online – tudo, desde a idade ao desmame até a densidade populacional. O computador então procurou características dos roedores conhecidos por abrigar um grande número de patógenos saltadores de espécies.
Uma vez que o computador criou um modelo, ela testou contra outro grupo de espécies de roedores, vendo o quão bem ele poderia adivinhar quais estavam carregados com agentes causadores de doenças. Eventualmente, o modelo do computador atingiu uma precisão de 90 por cento.
Em seguida, o Dr. Han voltou-se para os roedores que ainda precisam ser examinados quanto a patógenos de transbordamento e montou uma lista de espécies de alta prioridade. Dr. Han e seus colegas previram que espécies como a ratazana montanhosa e o camundongo gafanhoto do norte da América do Norte seriam particularmente propensas a transportar patógenos preocupantes.
De todas as características que a Dra. Han e seus colegas forneceram ao computador, a que mais importava era o tempo de vida dos roedores. Espécies que morrem jovens acabam por carregar mais patógenos, talvez porque a evolução tenha colocado mais recursos na reprodução do que na construção de um sistema imunológico forte.
Esses resultados envolveram anos de pesquisa meticulosa em que Dr. Han e seus colegas vasculharam bancos de dados ecológicos e estudos científicos em busca de dados úteis. Mais recentemente, os pesquisadores aceleraram esse trabalho construindo bancos de dados expressamente projetados para ensinar os computadores sobre vírus e seus hosts.
Em março, por exemplo, Dr. Carlson e seus colegas revelado um banco de dados de acesso aberto chamado VIRION, que acumulou meio milhão de informações sobre 9.521 vírus e seus 3.692 hospedeiros animais – e ainda está crescendo.
Bancos de dados como o VIRION agora permitem fazer perguntas mais focadas sobre novas pandemias. Quando a pandemia de Covid ocorreu, logo ficou claro que ela era causada por um novo vírus chamado SARS-CoV-2. Dr. Carlson, Dr. Han e seus colegas criaram programas para identificar os animais com maior probabilidade de abrigar parentes do novo coronavírus.
O SARS-CoV-2 pertence a um grupo de espécies chamado betacoronavírus, que também inclui os vírus que causaram as epidemias de SARS e MERS entre humanos. Na maioria das vezes, os betacoronavírus infectam morcegos. Quando o SARS-CoV-2 foi descoberto em janeiro de 2020, sabia-se que 79 espécies de morcegos os carregavam.
Mas os cientistas não pesquisaram sistematicamente todas as 1.447 espécies de morcegos em busca de betacoronavírus, e esse projeto levaria muitos anos para ser concluído.
Ao alimentar dados biológicos sobre os vários tipos de morcegos – sua dieta, o comprimento de suas asas e assim por diante – em seu computador, Dr. Carlson, Dr. Han e seus colegas criaram um modelo que poderia oferecer previsões sobre os morcegos mais prováveis. abrigar betacoronavírus. Eles encontraram mais de 300 espécies que se encaixam na conta.
Desde essa previsão em 2020, os pesquisadores realmente encontraram betacoronavírus em 47 espécies de morcegos – todos nas listas de previsão produzidas por alguns dos modelos de computador que criaram para o estudo.
Daniel Becker, ecologista de doenças da Universidade de Oklahoma, que também trabalhou no estudo de betacoronavírus, disse que é impressionante a maneira como recursos simples, como o tamanho do corpo, podem levar a previsões poderosas sobre vírus. “Muito disso é o fruto mais fácil da biologia comparativa”, disse ele.
O Dr. Becker está agora acompanhando de seu próprio quintal a lista de possíveis hospedeiros de betacoronavírus. Acontece que alguns morcegos em Oklahoma estão previstos para abrigá-los.
Se o Dr. Becker encontrar um betacoronavírus de quintal, ele não estará em posição de dizer imediatamente que é uma ameaça iminente para os humanos. Os cientistas teriam primeiro que realizar experimentos meticulosos para avaliar o risco.
Pranav Pandit, epidemiologista da Universidade da Califórnia em Davis, adverte que esses modelos são um trabalho em andamento. Quando testados em vírus bem estudados, eles se saem substancialmente melhor do que o acaso, mas podem se sair melhor.
“Não está em um estágio em que podemos simplesmente pegar esses resultados e criar um alerta para começar a dizer ao mundo: ‘Este é um vírus zoonótico’”, disse ele.
Nardus Mollentze, virologista computacional da Universidade de Glasgow, e seus colegas foram pioneiros em um método que poderia aumentar significativamente a precisão dos modelos. Em vez de olhar para os hospedeiros de um vírus, seus modelos analisam seus genes. Um computador pode ser ensinado a reconhecer características sutis nos genes de vírus que podem infectar humanos.
Em seu primeiro relatório Nesta técnica, o Dr. Mollentze e seus colegas desenvolveram um modelo que pode reconhecer corretamente vírus que infectam humanos em mais de 70% das vezes. Dr. Mollentze ainda não pode dizer por que seu modelo baseado em genes funcionou, mas ele tem algumas ideias. Nossas células podem reconhecer genes estranhos e enviar um alarme para o sistema imunológico. Os vírus que podem infectar nossas células podem ter a capacidade de imitar nosso próprio DNA como uma espécie de camuflagem viral.
Quando eles aplicaram o modelo aos vírus animais, eles chegaram a uma lista de 272 espécies com alto risco de transbordamento. Isso é demais para os virologistas estudarem em profundidade.
“Você só pode trabalhar com tantos vírus”, disse Emmie de Wit, virologista do Rocky Mountain Laboratories em Hamilton, Mont., que supervisiona pesquisas sobre o novo coronavírus, influenza e outros vírus. “Do nosso lado, realmente precisaríamos reduzi-lo.”
Dr. Mollentze reconheceu que ele e seus colegas precisam encontrar uma maneira de identificar o pior dos piores entre os vírus animais. “Isso é apenas um começo”, disse ele.
Para dar continuidade ao seu estudo inicial, o Dr. Mollentze está trabalhando com o Dr. Carlson e seus colegas para mesclar dados sobre os genes dos vírus com dados relacionados à biologia e ecologia de seus hospedeiros. Os pesquisadores estão obtendo alguns resultados promissores com essa abordagem, incluindo o tentador chumbo da varíola do rato.
Outros tipos de dados podem tornar as previsões ainda melhores. Uma das características mais importantes de um vírus, por exemplo, é o revestimento de moléculas de açúcar em sua superfície. Diferentes vírus terminam com diferentes padrões de moléculas de açúcar, e esse arranjo pode ter um enorme impacto em seu sucesso. Alguns vírus podem usar essa cobertura molecular para se esconder do sistema imunológico do hospedeiro. Em outros casos, o vírus pode usar suas moléculas de açúcar para se prender a novas células, desencadeando uma nova infecção.
Este mês, Dr. Carlson e seus colegas postaram um comentário online afirmando que o aprendizado de máquina pode obter muitos insights a partir do revestimento de açúcar dos vírus e seus hospedeiros. Os cientistas já reuniram muito desse conhecimento, mas ainda precisa ser colocado em uma forma que os computadores possam aprender.
“Minha intuição é que sabemos muito mais do que pensamos”, disse o Dr. Carlson.
Dr. de Wit disse que os modelos de aprendizado de máquina poderiam algum dia guiar virologistas como ela para estudar certos vírus animais. “Há definitivamente um grande benefício que virá disso”, disse ela.
Mas ela observou que os modelos até agora se concentraram principalmente no potencial de um patógeno para infectar células humanas. Antes de causar uma nova doença humana, um vírus também precisa se espalhar de uma pessoa para outra e causar sintomas graves ao longo do caminho. Ela está esperando por uma nova geração de modelos de aprendizado de máquina que também possam fazer essas previsões.
“O que realmente queremos saber não é necessariamente quais vírus podem infectar humanos, mas quais vírus podem causar um surto”, disse ela. “Então esse é realmente o próximo passo que precisamos descobrir.”
Discussão sobre isso post