IA e os Problemas Difíceis do Mundo · Ciências da vida · Nature (computational biology) · 2026-10-21
Framework de aprendizado profundo guiado por metabolômica espacial para dissecação de mecanismos de evasão imunológica em microambientes de infecção fúngica
Título original: Spatial metabolomics-guided deep learning framework for dissecting immune evasion mechanisms in fungal infection microenvironments
O trabalho tem como alvo os circuitos metabólicos organizados espacialmente que permitem a patógenos fúngicos evadir a imunidade do hospedeiro em infecções invasivas, que causam alta mortalidade em pacientes imunocomprometidos. Ao combinar metabolômica espacial de alta resolução de tecido murino com aspergillose pulmonar invasiva a uma rede convolucional multiescala aprimorada por atenção, o framework segmenta o núcleo da infecção, a zona de infiltração imune e a zona limítrofe de transição com um coeficiente Dice médio de 0.887 em relação às anotações de patologistas especialistas. Um autoencoder variacional de grafos com equações diferenciais ordinárias neurais então infere como as redes de interação metabólito–imunidade evoluem ao longo de 24–72 horas, classificando a cinurenina como o metabólito hub de maior centralidade e situando um putativo ponto de inflexão metabólico entre 36 e 48 horas.