O que Guckelsberger e colegas desenvolveram durante aquele ano foi uma forma de classificar automaticamente imagens de microscopia digital das interações entre anticorpos e antígenos virais em células cultivadas em laboratório. Um computador aprende essencialmente a detectar se o paciente possui anticorpos anti-coronavírus.
Além de um diagnóstico, o método também dá aos investigadores informações sobre quais características nas células indicam um resultado positivo, que tipo de respostas de anticorpos estão presentes e permite-lhes fazer previsões sobre a probabilidade de uma amostra positiva para anticorpos COVID-19 apenas a partir da imagem.
As mesmas amostras de imagens classificadas por computador também foram mostradas a virologistas especialistas, que as classificaram como positivas ou negativas para anticorpos contra o coronavírus. “Nossa abordagem pode corresponder ao nível de classificação de especialistas humanos”, diz Guckelsberger, “e é muito mais rápida. Além disso, pode nos dizer quando há resultados ambíguos que devem ser examinados mais de perto por um especialista.”
Os resultados do projeto, recentemente publicados em Métodos de relatórios de células, também mostram que o método é comparável, e em alguns aspectos superior, a ensaios amplamente utilizados como o ELISA.
“Utilizámos células, em vez de proteínas virais purificadas, como base para o nosso ensaio, que está mais próximo da fisiologia real”, diz o autor principal. Vilja Pietiäinen do Instituto de Medicina Molecular da Finlândia (FIMM) da Universidade de Helsinque.
“Como tudo é totalmente automatizado, temos alto rendimento, mas também conseguimos imagens digitais que podem ser mostradas a um virologista ou patologista, sem que eles precisem ir ao microscópio. Os resultados podem até ser verificados em um dispositivo móvel. E podemos contar o número de células infectadas, por isso temos os dados quantitativos e também os visuais.”
Durante os primeiros dias da pandemia, a equipa de investigação conseguiu formar-se rapidamente graças a colaborações internacionais e locais anteriores em estudos de virologia, imagiologia e resposta a medicamentos, explica Pietiäinen.
“Nesse ponto, precisávamos de um ensaio de alto rendimento para testes de anticorpos que indicasse se uma pessoa tinha uma infecção por SARS-CoV-2. Desde então, houve muitas melhorias no diagnóstico, detecção e resposta de anticorpos do SARS-CoV-2”, como o amplamente conhecido teste de reação em cadeia da polimerase (PCR) ou o teste de antígeno (como o esfregaço nasal) que diretamente mede a presença do vírus no corpo.
O teste desenvolvido por Pietiäinen, Guckelsberger e colegas, pelo contrário, mede anticorpos, o que nos diz como o sistema imunitário reconhece o vírus e produz diferentes tipos de anticorpos contra ele.
“Quando você tem apenas algumas amostras, sabe muito pouco sobre uma doença ou não tem acesso a um laboratório de biossegurança de alto nível, nosso pipeline pode ser realmente valioso”, diz Guckelsberger, acrescentando que pode ser usado em qualquer lugar, independentemente da localização. equipamento de preparação de amostras ou tipo de microscópio. Na verdade, o pipeline é versátil para testar qualquer germe.
“Projetamos o teste para ser usado em qualquer patógeno emergente, aumentando nossa prontidão para futuras pandemias”, diz Pietiäinen. “Certos componentes devem ser otimizados para cada novo vírus, mas a beleza do ensaio é que ele pode ser usado para diversos fins. Já está sendo usado para estudar vírus zoonóticos como o vírus Puumala.”
Outros ensaios automatizados baseados em células, seguidos por métodos de análise de imagens guiados por IA, estão sendo usados no grupo de pesquisa para estudar as respostas dos medicamentos ao SARS-CoV-2, bem como para identificar medicamentos que podem matar células cancerígenas derivadas de pacientes. ex vivo.
Além de publicar o seu trabalho e contribuir para uma melhor compreensão da pandemia, Guckelsberger e Pietiäinen partilham uma visão comum que este projeto lhes ensinou.
“Quando surgem grandes questões no mundo, nós, como cientistas, não podemos trabalhar sozinhos em silos. Especialistas de diferentes áreas, diferentes universidades e países precisam de se unir com um objetivo comum – no nosso caso, cientistas de dados, clínicos, cientistas da computação, bioquímicos”, afirma Pietiäinen.
“Trabalhar em uma grande equipe, algo que não fazemos com frequência na ciência da computação, foi fascinante”, concorda Guckelsberger.
“Um grande desafio foi a comunicação a partir de diferentes perspectivas de especialização, por exemplo, entender o que está acontecendo em ambas as extremidades do pipeline, desde procedimentos de laboratório úmido até parâmetros, dados e imagens. Ao mesmo tempo, esta foi uma experiência de aprendizagem fantástica e que desejo ter mais no futuro.”
Embora tenham empregado aprendizado de máquina bem estabelecido para cada componente do pipeline, Guckelsberger diz que fazer a conexão entre biólogos e cientistas da computação foi um dos avanços reais. Usar a tecnologia para resolver questões biológicas também foi uma grande lição para Pietiäinen.
“Combinar a microscopia com a aprendizagem automática, não apenas para o SARS-CoV-2, mas para ver respostas personalizadas a medicamentos ou para ver os fenótipos celulares de doenças genéticas raras, é poderoso. Uma imagem vale mais que mil palavras, isso também acontece aqui.”
Fonte: Universidade de Aalto
