News Release

Insilico emprega ferramentas baseadas em IA para desvendar a ligação entre fibrose pulmonar idiopática (FPI) e envelhecimento acelerado

Peer-Reviewed Publication

InSilico Medicine

Modelos de aprendizado profundo para estudar FPI e doenças fibróticas

image: (A) Este artigo apresenta dois modelos de aprendizado profundo: um omics-transformer que gera perfis diferenciais de expressão gênica a partir de comandos de texto e um relógio de envelhecimento sensível a vias treinado com dados protéomicos do UK Biobank. Os modelos focam em vias biológicas relevantes para FPI, incluindo sinalização TGF-β, estresse oxidativo, inflamação e remodelação da MEC. (B) Arquitetura do relógio de envelhecimento proteômico sensível à via. A rede neural processa medições proteicas através de camadas de extração de características que se ramificam em mecanismos de atenção específicos para idade e vias, possibilitando previsões de envelhecimento interpretáveis com reconhecimento de vias. view more 

Credit: Insilico Medicine

A fibrose pulmonar idiopática (FPI) é uma doença pulmonar crônica e progressiva caracterizada pelo acúmulo excessivo de componentes da matriz extracelular, levando à diminuição gradual da função pulmonar e, eventualmente, à falência respiratória. Afetando predominantemente indivíduos acima dos 60 anos, acredita-se que a FPI compartilhe vias biológicas subjacentes com o processo de envelhecimento. Compreender esses mecanismos comuns é crucial para o desenvolvimento de terapias inovadoras de longevidade com potencial para beneficiar pessoas em todo o mundo.
Recentemente, pesquisadores da Insilico Medicine publicaram um estudo na revista Aging que investiga os mecanismos relacionados ao envelhecimento na FPI utilizando abordagens de inteligência artificial (IA). A pesquisa estabelece novas conexões entre a biologia do envelhecimento e a patogênese da FPI, ao mesmo tempo que demonstra o potencial de abordagens guiadas por IA no desenvolvimento terapêutico para doenças relacionadas ao envelhecimento.
Para avançar essa pesquisa, a equipe desenvolveu dois modelos especializados de aprendizado profundo: relógio de envelhecimento sensível à fibrose, um relógio proteômico sensível a vias, treinado em dados proteômicos do UK Biobank, e IPF-Precious3GPT, um transformer ômico que gera perfis diferenciais de expressão gênica a partir de comandos de texto.
O relógio de envelhecimento apresenta desempenho excelente em validação cruzada, prevendo idade biológica com alta precisão (R²=0,84, MAE=2,68 anos). Os pesquisadores então aplicaram o modelo ao conjunto de dados Olink e usaram regressão linear para avaliar o efeito da gravidade da doença sobre o ritmo do envelhecimento. Os resultados mostraram que pacientes com infecções graves – propensos a desenvolver fibrose pulmonar – tiveram idades biológicas previstas significativamente superiores às de controles saudáveis, sugerindo que o relógio treinado possui relevância biológica em casos fibróticos.
A análise com o modelo gerador IPF-P3GPT revelou padrões de expressão gênica tanto compartilhados quanto únicos entre pulmões envelhecidos e doença fibrótica, destacando que a FPI não é apenas envelhecimento acelerado, mas envolve processos patológicos próprios. O estudo também identificou quatro vias principais (sinalização TGF-ß, estresse oxidativo, inflamação, remodelação da MEC) como centrais para FPI e envelhecimento, mas envolvidas de maneira diferente no nível gênico.
Para o futuro, a equipe de pesquisa da Insilico irá aprofundar essas descobertas validando os modelos de IA em coortes dedicadas de pacientes com FPI e expandindo a abordagem para outras doenças fibróticas e relacionadas ao envelhecimento. A equipe também tem a expectativa de usar suas ferramentas para descoberta de medicamentos, identificação de biomarcadores e estratégias de medicina personalizada para envelhecimento e doenças crônicas.
Aproveitando tecnologias de IA e automação de ponta, a Insilico melhorou significativamente a eficiência do desenvolvimento pré-clínico de medicamentos, estabelecendo um novo padrão para P&D baseada em IA. Enquanto a descoberta tradicional de medicamentos em estágio inicial costuma exigir de 2,5 a 4 anos, a Insilico nomeou 20 candidatos pré-clínicos com um prazo médio – do início do projeto à nomeação do candidato pré-clínico (PCC) – de apenas 12 a 18 meses por programa, com apenas 60 a 200 moléculas sintetizadas e testadas em cada programa.
Desde sua fundação em 2014, a Insilico já publicou mais de 200 artigos revisados por pares. Aproveitando avanços científicos sustentados na interface entre biotecnologia, inteligência artificial e automação, a Insilico ficou entre as Top 100 instituições corporativas globais no Nature Index "2025 Research Leaders: global corporate institutions for biological sciences and natural sciences publications".

[1] Galkin F, Chen S, Aliper A, Zhavoronkov A, Ren F. Ferramentas movidas por IA para pesquisas de FPI e envelhecimento associam fibrose pulmonar com envelhecimento acelerado. Aging (Albany NY). 2025 Aug 8; . https://doi.org/10.18632/aging.206295
 

Sobre a Insilico Medicine
A Insilico Medicine, empresa líder global em biotecnologia baseada em IA, utiliza sua plataforma proprietária Pharma.AI e laboratório automatizado de última geração para acelerar a descoberta de medicamentos e impulsionar inovações na pesquisa em ciências da vida. Integrando IA, tecnologias de automação e capacidades internas profundas de descoberta, a Insilico está entregando soluções inovadoras de medicamentos para necessidades não atendidas incluindo fibrose, oncologia, imunologia, dor, obesidade e distúrbios metabólicos. Além disso, a Insilico expande o alcance da Pharma.AI para diversos setores, como materiais avançados, agricultura, produtos nutricionais e medicina veterinária. Para mais informações, acesse www.insilico.com .


Disclaimer: AAAS and EurekAlert! are not responsible for the accuracy of news releases posted to EurekAlert! by contributing institutions or for the use of any information through the EurekAlert system.