Desenho de modelos dinâmicos de vias de sinalização celular através da combinação de equações diferenciais e transformadores pré-treinados em dados biológicos

• Processo: 24/19180-3
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de março de 2025
• Data de Término da vigência: 28 de fevereiro de 2029
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Marcelo da Silva Reis
• Beneficiário: Carolina Albuquerque Massena Ribeiro
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Inteligência artificial Biologia tumoral Aprendizado computacional Biologia computacional
• Palavra(s)-Chave do Pesquisador: artificial intelligence | Cancer Biology | cell signaling | machine learning | transformer | Universal Differential Equation | Bioinformática

Resumo

Vias de sinalização celular regulam processos celulares essenciais, tais como proliferação, diferenciação e apoptose, por meio de redes complexas de reações bioquímicas. No entanto, modelos tradicionais baseados em cinética química descrita por equações diferenciais ordinárias (ODEs), embora eficazes na descrição da dinâmica de componentes isolados, têm dificuldades em capturar as interações complexas e não lineares no contexto celular mais amplo, conhecido como o ``problema da falta de isolamento". Para superar este desafio, nosso grupo propôs a modelagem de vias de sinalização utilizando ODEs, que descrevem a cinética de reações da via, com redes neurais, que cumprem o papel de comunicação da via com o restante da célula. Resultados obtidos com essa estratégia, implementada com o formalismo das equações diferenciais universais (UDEs) foram encorajadores; todavia, verificamos duas limitações: i) o treinamento do modelo faz uso apenas de medidas de espécies químicas presentes nas reações; ii) foi utilizada uma arquitetura de rede neural muito simples, a perceptron multicamadas (MLP), que pode falhar em capturar informações contextuais relevantes da célula. Dessa forma, propomos uma abordagem de modelagem híbrida de via de sinalização celular que combine o uso de UDEs com transformadores pré-treinados em grandes conjuntos de dados biologicos reais, proteômicos e transcriptômicos. O acoplamento dos transformadores com as UDEs dar-se-ia com o treinamento de camadas MLP utilizando as próprias séries temporais das espécies da via. Com esta estratégia, esperamos alcançar ganhos significativos na qualidade da predição e na interpretabilidade do modelo (por conta das camadas de auto-atenção do transformador), podendo assim prever o funcionamento de mecanismos moleculares em diversos contextos, em particular em dois estudos de caso em biologia de câncer.