IA e Dados Multi-Ômicos Estão Construindo o Futuro da Medicina de Precisão

Doenças complexas surgem da desregulação simultânea em múltiplas camadas biológicas, mas a prática médica atual ainda depende, em grande parte, de diagnósticos e tratamentos padronizados que ignoram as diferenças moleculares individuais. Esta revisão de Mardinoglu e colegas, publicada no Molecular Systems Biology, defende que a convergência de grandes volumes de dados biológicos longitudinais, IA e biologia de sistemas representa o caminho mais viável para uma medicina verdadeiramente personalizada. Os autores sintetizam evidências de centenas de estudos para delinear um framework no qual dados multi-ômicos são coletados, integrados e interpretados de forma contínua, revelando os mecanismos das doenças com uma resolução sem precedentes.

No centro do componente de biologia de sistemas estão os modelos metabólicos em escala genômica (GEMs). A revisão traça seu desenvolvimento desde as primeiras reconstruções da rede metabólica humana — Recon1 e EHMN, em 2007 — passando por modelos progressivamente refinados, incluindo HMR1, HMR2, Recon2, Recon3D e, por fim, Human1 em 2020. Esses modelos codificam todas as reações bioquímicas conhecidas catalisadas por enzimas e transportadores codificados no genoma humano, permitindo que pesquisadores construam modelos específicos para tecidos — notadamente fígado, intestino e outros órgãos — que simulam estados metabólicos alterados em doenças. GEMs específicos para microrganismos e para comunidades microbianas complementam esse framework ao abrangê-lo para os microbiomas intestinal, oral, vaginal e cutâneo, possibilitando o estudo das interações hospedeiro-microbioma e a identificação de alvos terapêuticos baseados no microbioma.

A revisão cataloga uma ampla gama de estudos longitudinais multi-ômicos de referência atualmente em andamento ao redor do mundo, destacando que os conjuntos de dados integram rotineiramente genômica, epigenômica, transcriptômica, proteômica, metabolômica, lipidômica e metagenômica, em conjunto com registros clínicos, dados de dispositivos vestíveis e informações dietéticas. Os autores ressaltam que dispositivos vestíveis agora capturam continuamente parâmetros fisiológicos — calorias gastas, pressão arterial, frequência cardíaca, níveis de atividade e sono — enquanto os prontuários eletrônicos (EHRs) contribuem com anotações clínicas longitudinais, medidas físicas e imagens. Essa riqueza de dados posiciona a IA como indispensável para o reconhecimento de padrões e a descoberta de biomarcadores em escalas impossíveis para analistas humanos.

O papel da IA é apresentado em dois modos complementares. Primeiro, algoritmos clássicos de aprendizado de máquina e aprendizado profundo identificam padrões relevantes para doenças em conjuntos de dados multi-ômicos de alta dimensionalidade; a patologia digital é citada como um exemplo maduro, no qual grandes conjuntos de dados estruturados possibilitaram a implantação clínica para auxiliar patologistas. Segundo, os grandes modelos de linguagem (LLMs) agora permitem a mineração rápida de textos biomédicos, acelerando a interpretação de dados biológicos e a identificação de conexões entre genes, metabólitos, composição do microbioma, dieta e toxinas ambientais. Em conjunto, essas ferramentas de IA estão viabilizando a descoberta de novos biomarcadores e alvos terapêuticos, além de comprimir os prazos de desenvolvimento de medicamentos.

A contribuição mais visionária da revisão é seu tratamento dos gêmeos digitais — modelos computacionais personalizados de pacientes individuais, construídos a partir de seus grandes volumes de dados biológicos longitudinais. Modelos metabólicos de corpo inteiro, como os desenvolvidos com base no framework Harvey/Harvetta, servem de substrato para esses gêmeos, permitindo a simulação em tempo real da função biológica individual e a previsão de respostas a intervenções. Os autores argumentam que essa infraestrutura constitui a base para sistemas de suporte à decisão clínica orientados por IA, que poderiam transformar fundamentalmente o cuidado hospitalar de reativo para preditivo e preventivo.

As principais ressalvas reconhecidas pelos autores incluem a atual fragmentação dos padrões de dados entre instituições, os desafios de privacidade e regulatórios relacionados à coleta de dados biológicos longitudinais e os custos computacionais de executar modelos de corpo inteiro em escala. A revisão é predominantemente sintética, e não empírica, baseando-se em estudos existentes em vez de apresentar novos dados experimentais — o que limita a capacidade de quantificar tamanhos de efeito específicos ou desfechos clínicos diretamente atribuíveis a essas abordagens integradas.