Introdução
Em um estudo inovador publicado na edição de julho de 2026 da Science (Volume 393, Edição 6806), pesquisadores apresentaram o TranscriptFormer, um modelo de inteligência artificial generativa capaz de construir um atlas celular abrangente que abrange 1,5 bilhão de anos de evolução. Esta abordagem inovadora utiliza aprendizado profundo para mapear estados celulares em diversas espécies, oferecendo insights sem precedentes sobre as origens evolutivas dos tipos celulares e redes regulatórias de genes.
O que é o TranscriptFormer?
O TranscriptFormer é um modelo de IA generativa projetado para prever e reconstruir perfis de expressão gênica em uma ampla gama de organismos. Ao treinar em vastos conjuntos de dados de transcriptômica de célula única, o modelo aprende os padrões subjacentes de regulação gênica que são conservados ou divergentes ao longo do tempo evolutivo. O resultado é um atlas celular dinâmico que não apenas cataloga tipos celulares conhecidos, mas também prevê estados celulares ancestrais e intermediários.
A arquitetura do modelo é baseada em redes transformer, semelhantes às usadas em grandes modelos de linguagem como GPT, mas adaptadas para dados de sequências biológicas. Ele processa dados de expressão gênica como uma linguagem, onde o nível de expressão de cada gene é análogo a uma palavra em uma frase, e o contexto celular fornece a gramática. Isso permite que o TranscriptFormer gere perfis de expressão plausíveis para células que nunca foram observadas experimentalmente, preenchendo efetivamente lacunas em nossa compreensão evolutiva.
Principais Descobertas
O estudo demonstra que o TranscriptFormer pode reconstruir com precisão tipos celulares de organismos separados por até 1,5 bilhão de anos de evolução, incluindo animais, plantas, fungos e protistas. O modelo identifica programas regulatórios de genes centrais que são universalmente conservados, bem como inovações específicas de linhagens que deram origem a tecidos e órgãos complexos.
Uma das descobertas mais marcantes é a previsão de um tipo celular ancestral comum que provavelmente existiu no último ancestral comum eucariótico (LECA). Este tipo celular hipotético exibe uma combinação de características vistas em células-tronco modernas e células imunes, sugerindo que os eucariotos mais antigos possuíam uma forma primitiva de diferenciação celular.
Além disso, o TranscriptFormer revela como certas redes regulatórias de genes foram reaproveitadas ao longo da evolução. Por exemplo, genes envolvidos no desenvolvimento neural em animais mostram similaridades com genes que controlam respostas ao estresse em plantas, indicando conexões evolutivas profundas entre processos biológicos aparentemente não relacionados.
Metodologia
Os pesquisadores compilaram um conjunto massivo de dados de sequenciamento de RNA de célula única de mais de 100 espécies, representando os principais ramos da árvore da vida eucariótica. Esses dados foram usados para treinar o modelo TranscriptFormer de forma autossupervisionada, onde o modelo aprendeu a prever valores de expressão gênica mascarados com base no contexto circundante.
Para validar as previsões do modelo, a equipe as comparou com atlas celulares determinados experimentalmente de espécies não incluídas no conjunto de treinamento. O TranscriptFormer alcançou alta precisão na reconstrução de tipos celulares conhecidos e também identificou novos estados celulares que foram posteriormente confirmados por meio de experimentos direcionados.
As capacidades generativas do modelo foram ainda mais testadas simulando cenários evolutivos, como a transição da vida unicelular para a multicelular. O TranscriptFormer previu com sucesso tipos celulares intermediários que preenchem a lacuna entre ancestrais unicelulares e organismos multicelulares complexos, fornecendo uma estrutura computacional para estudar transições evolutivas.
Implicações para a Biologia e a Medicina
O TranscriptFormer tem implicações de longo alcance tanto para a biologia básica quanto para a medicina aplicada. Ao fornecer uma visão abrangente da diversidade celular ao longo da evolução, o modelo pode ajudar a identificar genes e vias conservadas que são críticos para a função celular. Esse conhecimento pode informar o desenvolvimento de novas terapias para doenças que envolvem disfunção celular, como câncer e distúrbios degenerativos.
Além disso, a natureza generativa do TranscriptFormer permite que os pesquisadores explorem cenários hipotéticos, como como uma célula pode responder a perturbações genéticas ou mudanças ambientais. Isso poderia acelerar a descoberta de medicamentos ao prever efeitos fora do alvo ou identificar novos alvos de medicamentos.
O estudo também abre novos caminhos para a biologia evolutiva do desenvolvimento (evo-devo), permitindo que os cientistas testem hipóteses sobre a origem dos tipos celulares e as mudanças genéticas que impulsionaram as principais inovações evolutivas.
Limitações e Direções Futuras
Embora o TranscriptFormer represente um grande avanço, os autores reconhecem várias limitações. As previsões do modelo são tão boas quanto os dados de treinamento, e vieses na representação das espécies ou nas condições experimentais podem afetar a precisão. Além disso, o modelo não leva em conta modificações epigenéticas ou regulação pós-transcricional, que desempenham papéis importantes na identidade celular.
Trabalhos futuros se concentrarão na integração de dados multi-ômicos, incluindo acessibilidade da cromatina e níveis de proteínas, para criar uma visão mais holística dos estados celulares. Os pesquisadores também planejam expandir o atlas para incluir mais espécies, particularmente aquelas de ramos pouco estudados da árvore da vida.
Conclusão
O TranscriptFormer marca uma nova era na biologia computacional, onde a IA generativa pode reconstruir a história evolutiva das células com notável fidelidade. Ao abranger 1,5 bilhão de anos de evolução, este atlas celular fornece uma estrutura unificadora para entender a diversidade celular e os princípios da regulação gênica. À medida que o modelo continua a evoluir, promete transformar nossa compreensão das fundações celulares da vida.
Este artigo é baseado em reportagem da Science (AAAS). Leia o artigo original.
Originally published on science.org
