IA pode prever a resposta imunológica à vacina antes da aplicação

A inteligência artificial poderá ajudar a prever, antes mesmo da aplicação de uma vacina, o quão forte será a resposta do sistema imunológico de uma pessoa. Em um estudo com mais de 4 mil participantes, pesquisadores identificaram padrões de anticorpos presentes no sangue que funcionam como uma espécie de "impressão digital" da prontidão imunológica, permitindo distinguir indivíduos com maior ou menor probabilidade de desenvolver proteção após a vacinação.

Os resultados foram liderados por pesquisadores da Universidade Estadual do Arizona (ASU) e publicados na última quinta-feira, 20, na revista Cell Press Blue. Segundo os autores, a descoberta pode abrir caminho para estratégias de vacinação personalizada, sobretudo entre pessoas com maior risco de apresentar respostas imunológicas reduzidas.

O que o estudo descobriu

As vacinas protegem milhões de pessoas contra doenças graves, mas nem todos desenvolvem o mesmo nível de imunidade após a aplicação. Até agora, essa resposta só podia ser avaliada depois da vacinação.

No novo estudo, os pesquisadores inverteram essa lógica. Em vez de analisar os anticorpos produzidos após a aplicação da vacina, eles investigaram se o perfil imunológico existente antes da vacinação poderia antecipar o desempenho do organismo.

Para isso, foram analisadas 8.687 amostras de sangue de 4.089 pessoas, incluindo indivíduos saudáveis e pacientes com condições associadas à imunossupressão, como HIV, câncer, doenças autoimunes, doença inflamatória intestinal e receptores de transplantes.

Ao todo, a equipe mediu anticorpos capazes de reconhecer 185 antígenos, incluindo vírus, bactérias e alvos relacionados a doenças autoimunes. Em seguida, um modelo de inteligência artificial comparou os perfis imunológicos obtidos antes da vacinação contra a covid-19 com a resposta produzida após a imunização.

IA identificou sinais de 'prontidão imunológica'

A análise revelou que determinados padrões de anticorpos já presentes no organismo estavam associados à intensidade da resposta vacinal.

Segundo os pesquisadores, alguns anticorpos dirigidos contra microrganismos comuns, como Staphylococcus aureus, vírus sincicial respiratório (VSR) e vírus respiratório humano tipo 3 (HRV3), apareceram com maior frequência em pessoas que desenvolveram respostas mais robustas às vacinas contra a covid-19.

Os autores chamam esses anticorpos de "anticorpos sentinela", porque eles parecem indicar o grau de preparação do sistema imunológico antes mesmo da vacinação.

Esses anticorpos não atuam diretamente contra o vírus da covid-19. Em vez disso, funcionam como marcadores da capacidade do organismo de produzir anticorpos quando estimulado por uma vacina.

Nem sempre pessoas saudáveis respondem melhor

Outro resultado chamou a atenção da equipe. Embora pessoas imunossuprimidas apresentassem, em média, maior risco de responder menos às vacinas, essa característica, sozinha, não foi suficiente para prever o resultado.

Alguns participantes com o sistema imunológico comprometido desenvolveram respostas fortes, enquanto cerca de 5% a 6% das pessoas consideradas saudáveis apresentaram resposta imunológica fraca.

Segundo os pesquisadores, isso mostra que fatores tradicionais, como estado geral de saúde ou presença de doenças, não explicam completamente a eficácia da vacinação em cada indivíduo.

• O que é o sarampo? Doença registra altas nos casos

IA analisou milhões de combinações biológicas

Em vez de procurar um único marcador biológico, o modelo de aprendizado profundo avaliou milhares de relações entre os diferentes anticorpos presentes nas amostras de sangue. Essa abordagem permitiu identificar padrões complexos que dificilmente seriam detectados por métodos estatísticos convencionais.

• Como a IA acelera busca por tratamentos para doenças antes vistas como incuráveis

Segundo os autores, a pesquisa reforça o potencial da inteligência artificial para analisar grandes volumes de dados biológicos e identificar características do sistema imunológico que passam despercebidas em análises tradicionais.