Estamos sendo literalmente bombardeados diuturnamente com notícias sobre usos e costumes nesse novo mundo da inteligência artificial e tendemos a seguir nossas vidas já suficientemente cheias de tarefas, mantendo apenas um olho meio aberto para as novidades. Essa semana podemos destacar duas entre tantas outras, que interessam diretamente a comunidade de imunologistas.
A primeira notícia trata de declaração em defesa da ciência frente à censura pelo novo governo americano. A íntegra e os detalhes podem ser lidos no Scholarly Kitchen (veja link em @goldbergconsultoria ou em www.fagoldberg.com.br) e destacamos as várias iniciativas de resguardar os dados e informações originais de áreas essenciais ao progresso da humanidade (clima, diversidade, saúde, entre outros), que inclusive estão sendo apagadas! Já há relatos de sumiço de publicações no site do CDC, imaginem só! (https://www.minnpost.com/community-voices/2025/02/our-published-work-in-a-government-journal-curiously-disappeared/)
A segunda notícia, mais alvissareira, mas que deve ter dado muito trabalho considerando o número de autores, trata de publicação na revista Science por Maxim Zaslavsky (Universidade de Stanford) e mais 27 colaboradores (https://www.science.org/doi/10.1126/science.adp2407). O grupo propõe o diagnóstico de doenças autoimunes, infecções e status vacinal individuais, usando uma ferramenta que foi desenvolvida utilizando aprendizado de máquina (machine learning) para identificar marcadores de diabetes tipo 1 e lúpus, infecção por HIV e COVID-19 e até vacinação recente contra influenza, num grupo de 600 amostras. O que estas condições teriam em comum? A possibilidade de serem identificadas por uma assinatura específica da resposta imune, a partir do repertório de receptores de linfócitos B e T, obtida por sequenciamento de uma única amostra de sangue dos indivíduos portadores. Os autores se basearam num conceito mais abrangente, que usa todo o repertório de linfócitos B e T. A ferramenta, apelidada de Mal-ID, foi montada combinando 6 modelos de machine learning para análise das sequências importantes dos receptores B e T e a determinação das combinações com poder diagnóstico. Os resultados são realmente promissores. A conferir o progresso com novos estudos para validação no uso clínico dessa inovadora ferramenta desenvolvida com muita inteligência humana e artificial.
