Um programa de aprendizado de máquina desenvolvido por uma equipe internacional de pesquisadores pode ajudar as empresas farmacêuticas a produzir maiores quantidades de medicamentos de ponta necessários para tratamentos médicos.

Em um estudo, a equipe desenvolveu um algoritmo de computador usando dados de expressão gênica de células de ovário de hamster chinês - uma linha celular frequentemente usada por pesquisadores biofarmacêuticos para pesquisas médicas - para otimizar a produção de proteínas nessas células.

"A indústria farmacêutica normalmente depende das células do ovário de um hamster chinês - células CHO - para a pesquisa de criação de medicamentos eficazes, mas, porque as células não produzem muita proteína por célula, requer produção em grande escala, "disse Claudio Angione, conferencista sênior em ciência da computação, Teesside University. "O que mostramos é que, em comparação com outros métodos, combinar esta modelagem metabólica com métodos orientados a dados pode ser uma grande melhoria para a automação do design de culturas, identificando com precisão as condições ideais de crescimento para a produção de compostos terapêuticos alvo. "

Os pesquisadores, que relataram suas descobertas na Segunda Conferência Eletrônica Internacional sobre Metabolômica, aprendizado de máquina combinado e um modelo computacional que reconstrói o metabolismo das células de ovário do hamster chinês - CHO - para maximizar a eficiência da célula.

"Esta é uma etapa nova porque, pela primeira vez, estamos combinando duas metodologias geralmente usadas individualmente em estudos de bioprocessamento, "disse Angione.

Os pesquisadores foram capazes de prever a produção de lactato - um resíduo tóxico - dentro das células, em termos de seus estados genéticos e metabólicos.

"A produção de lactato é geralmente indesejada, pois impede o crescimento celular e, consequentemente, limita o rendimento dos produtos desejados, "disse Macauley Coggins, assistente de pesquisa, Teesside University. "Ao prever as condições celulares em que o acúmulo de lactato é minimizado, é possível reduzir - ou possivelmente evitar - uma longa série de testes experimentais."

Proteínas terapêuticas, como os produzidos em células CHO, têm uma ampla gama de aplicações na medicina.

“Alguns deles são usados ​​em vacinas e protegem contra agentes infecciosos, como vírus, "acrescentou Guido Zampieri, um estudante de doutorado em genômica e bioinformática, Centro de Biotecnologia CRIBI, Universidade de Pádua. "Outras proteínas com atividade especial de direcionamento podem ser usadas para tratar pacientes que carecem dessas proteínas devido a condições genéticas. Drogas anticâncer são outro exemplo."

O aprendizado de máquina é um campo que explora como os computadores podem aprender a resolver problemas e realizar tarefas específicas sem serem programados, de acordo com Coggins. Para fazer isso, pesquisadores geralmente desenvolvem um algoritmo para treinar um computador para reconhecer padrões, uma técnica de aprendizado de máquina frequentemente chamada de aprendizado supervisionado.

"É muito parecido com como você ensina uma criança a reconhecer diferentes formas, mostrando-lhes o que cada forma é e como se parece"

No futuro, este método pode ser usado para otimizar outros metabólitos ou proteínas, os pesquisadores sugerem. A produção de maiores quantidades de medicamentos também pode levar a tratamentos mais baratos.

"Vemos várias direções de pesquisa interessantes, "disse Angione." Primeiramente, nosso objetivo é impulsionar a integração de diferentes metodologias computacionais, como aprendizado de máquina e modelagem biológica. Isso é importante, pois eles possuem diferentes pontos fortes, que se combinados poderiam permitir a adoção de intervenções de bioengenharia mais precisas.

Particularmente, o aprendizado de máquina pode extrair conhecimento útil de dados experimentais, enquanto a modelagem metabólica fornece insights sobre mecanismos locais e globais em redes bioquímicas.

"Também queremos explorar outras etapas da bioengenharia que podem se beneficiar dessa otimização integrada. O objetivo final é obter um conjunto de ferramentas computacionais que possam guiar os processos industriais em vários níveis."

Os pesquisadores usaram dados de um conjunto de dados de expressão gênica em grande escala disponível ao público de duas linhas de células CHO diferentes com 295 perfis de microarray com valores de expressão para 3592 genes de 121 culturas de células CHO. For genome reconstruction, the researchers used a recently developed genome-scale metabolic model—GSMM—used to accurately predict growth phenotypes. The model is currently the largest reconstruction of CHO metabolism.

They then combined the model of CHO cell metabolism with the gene expression data to create condition and cell line-specific polyomics models.