Artigo na Biology Methods & Protocols indica que em breve será possível utilizar inteligência artificial, IA, para detectar e diagnosticar câncer, permitindo tratamento mais precoce, uma das doenças mais desafiantes com mais de 19 milhões de casos e 10 milhões de mortes anualmente cuja natureza evolutiva torna difícil tratamento em estágio avançado. A informação genética codificada no DNA por padrões das 4 bases, A, T, G e C, constituindo sua estrutura enquanto mudanças ambientais fora da célula fazem com que algumas bases do DNA sejam modificadas pela adição de um grupo metil em processo chamado de “metilação do DNA”, sendo que cada célula possui milhões de marcas de metilação do DNA com investigadores notando alterações no desenvolvimento inicial do câncer que ajudariam no diagnóstico precoce, identificando assinaturas específicas da metilação do DNA de diferentes tipos de câncer se assemelhando procurar agulha no palheiro, aqui, os investigadores envolvidos neste estudo acreditam que IA pode ajudar. Investigadores da Universidade de Cambridge e do Imperial College London treinaram modo IA, usando combinação de aprendizagem automática e profunda para observar padrões de metilação do DNA e identificar 13 tipos diferentes de câncer, mama, fígado, pulmão e próstata, de tecido não canceroso com 98,2% de precisão, com modelo dependendo de amostras de tecido e necessidade de treinamento e testes adicionais em coleção mais diversificada de amostras de biópsia para estar pronto para uso clínico. Exploraram o funcionamento interno do modelo e mostraram que reforça e melhora a compreensão dos processos subjacentes que contribuem ao câncer, sendo que a identificação desses padrões de metilação a partir de biópsias permitiria detectar precocemente o câncer, potencialmente melhorando resultados, uma vez que a maioria dos tumores são tratáveis ou curáveis se detectados cedo.
Abordagem levada a cabo por investigadores do Instituto de Ciência e Tecnologia da Áustria, ISTA, mostra como as células avançam em linha como um trem nos trilhos e como interagem entre si, cujas observações experimentais e o conceito matemático são publicados na Nature Physics. Na cicatrização de feridas as células se movem pelo corpo para reparar tecidos danificados, viajando só ou em grupos de tamanhos diferentes, embora o processo seja cada vez mais compreendido, pouco se sabe sobre como interagem nas viagens e como navegam coletivamente nos ambientes complexos do organismo. Equipe interdisciplinar de físicos teóricos do Instituto de Ciência e Tecnologia da Áustria, ISTA, e experimentalistas da Universidade de Mons, na Bélgica, buscam compreender tal como as experiências de dinâmica social onde interações de um pequeno grupo de pessoas é mais fácil do que analisar uma sociedade inteira, estudaram o comportamento de viagem de um pequeno grupo de células em ambientes in vitro bem definidos, ou seja, fora de um organismo vivo, em uma placa de Petri equipada com recursos internos e, suas descobertas, permitiram desenvolvimento de estrutura de regras de interação, agora, publicada na Nature Physics. Eleonore Vercurysse e Sylvain Gabriele, da Universidade de Mons, na Bélgica, observaram o fenômeno de agrupamento e deslocamento das células enquanto investigavam queratócitos e suas características de cicatrização de feridas nos diferentes padrões geométricos e contactaram os físicos teóricos David Bruckner e Edouard Hannezo do ISTA. Desenvolveram modelo matemático combinando a polaridade de uma célula, suas interações e a geometria do ambiente transferindo a estrutura para simulações de computador, que ajudou visualizar diferentes cenários, daí, observaram a velocidade dos trens de células com a simulação revelando que a velocidade independe do seu comprimento, sejam eles compostos por 2 ou 10 células e, dentro dos trens, as células estão polarizadas na mesma direção, quer dizer, os trens operam com tração nas 4 rodas e não apenas com tração dianteira. Examinaram efeitos do aumento da largura das pistas e dos aglomerados de células em suas simulações em comparação com as células que se moviam em um único arquivo, os grupos eram mais lentos com explicação bastante simples, isto é, quanto mais células estão agrupadas, mais elas se chocam, colisões, que se polarizam e se movam em direções opostas. O modelo previu que a movimentação teria benefícios ajustando-se quando as células navegam por terrenos complexos, como fazem, por exemplo, no corpo humano, por exemplo, alguns processos de desenvolvimento dependem de aglomerados de células que se movem de um lado à outro, enquanto outros dependem de pequenos trens de células que se movem de modo independente, sendo que publicações recentes sugerem que a comunicação celular se propaga em ondas, interação entre sinais bioquímicos, comportamento físico e movimento com o novo modelo fornecendo base física às interações entre células, possivelmente na compreensão do quadro geral.
Moral da Nota: a IA está revolucionando muitos campos e a física não é exceção, da descoberta de novas partículas à compreensão de fenômenos cosmológicos complexos, tornou-se ferramenta essencial aos físicos modernos, constituindo ramo da ciência da computação que se concentra na criação de sistemas capazes de realizar tarefas que normalmente requerem inteligência humana, incluindo aprendizado de máquina, processamento de linguagem natural, visão computacional e etc, no contexto da física, é usada para analisar grandes conjuntos de dados, identificar padrões e realizar simulações complexas que seriam impossíveis de realizar de outra forma. Um dos campos onde IA provou ser particularmente útil é na física de partículas com grandes colisores de hadrons, como o Large Hadron Collider, LHC, do CERN, gerando quantidades de dados a cada colisão e analisar esses dados manualmente seria tarefa hercúlea, mas a IA pode fazer isso com eficiência e precisão, com o estudo publicado na Nature detalhando como algoritmos de aprendizagem profunda são usados à identificar possíveis novas partículas além do modelo padrão da física. A física quântica é campo onde IA faz avanços significativos em que sistemas quânticos são inerentemente complexos e difíceis de simular com métodos tradicionais, no entanto, algoritmos IA podem aprender e prever o comportamento destes sistemas com alta precisão conforme artigo da Physical Review Letters em que físicos usam redes neurais para simular sistemas quânticos, permitindo descoberta de novos estados da matéria. Telescópios como o Hubble e o Telescópio Espacial James Webb coletam enormes quantidades de informações sobre o universo com IA sendo usada para processar esses dados e fazer descobertas, descrito no artigo no The Astrophysical Journal como algoritmos de aprendizado de máquina ajudando identificar exoplanetas e galáxias distantes com mais rapidez e precisão que os métodos tradicionais. Por fim, a IA tem potencial para automatizar aspectos dos experimentos físicos em que robôs controlados por IA são usados para realizar tarefas repetitivas e perigosas em laboratórios, com artigo da Science Robotics mostrando que robôs podem realizar experimentos com mais eficiência e segurança, permitindo que cientistas se concentrem na interpretação dos resultados e na inovação.