Gladstone Institutes apresenta o MaxToki, modelo de IA que prevê o envelhecimento celular

O MaxToki é uma tentativa de ensinar a IA a enxergar o envelhecimento não como um conjunto de retratos biológicos isolados, mas como uma trajetória contínua de mudanças da célula ao longo do tempo. A equipe do Gladstone Institutes e seus parceiros afirma que o modelo não só consegue estimar o quanto um estado celular específico "envelheceu", como também prever quais intervenções genéticas podem acelerar ou desacelerar esse processo. Para a pesquisa sobre envelhecimento, é uma mudança importante: em vez de descrever o estado atual da célula, surge uma ferramenta para modelar para onde ela vai em seguida.

A maioria dos modelos de fundação biológicos hoje trabalha com dados estáticos, em geral single-cell RNA-seq, um retrato de quais genes estão ativos em uma célula em determinado momento. Isso basta para reconhecer o tipo de célula ou seu estado atual, mas não para entender a dinâmica do envelhecimento, que se desenrola ao longo de anos e décadas.

O MaxToki é um transformer apenas decodificador (decoder-only) e foi treinado em duas etapas. Primeiro, o modelo estudou transcriptomas de células individuais de um corpus de cerca de 175 milhões de amostras. Depois, seu contexto foi ampliado e ele recebeu treinamento adicional com trajetórias etárias: cerca de 22 milhões de transcriptomas de célula única coletados de aproximadamente 3800 doadores de diferentes idades, do nascimento a mais de 90 anos. No total, o treinamento abrangeu quase 1 trilhão de "tokens gênicos".

Uma das ideias centrais do MaxToki é representar a célula não pelos níveis brutos de expressão gênica, mas pela ordem de classificação deles. Essa abordagem reduz a dependência de ruído técnico e impede que genes "de manutenção", ativos quase o tempo todo, abafem o sinal. Em vez disso, o modelo identifica melhor genes reguladores, incluindo fatores de transcrição, que muitas vezes determinam a passagem da célula de um estado para outro.

Na segunda etapa, o MaxToki aprendeu a trabalhar não com uma única célula, mas com uma sequência curta de estados celulares e os intervalos de tempo entre eles. Isso permitiu dois tipos de consulta: prever quanto tempo separa uma célula de outra e gerar o estado esperado de uma célula após um intervalo definido.

Segundo os autores, o modelo mostrou ganho expressivo em tarefas que exigiam reconstruir trajetórias etárias para exemplos desconhecidos. Em tipos celulares reservados, ausentes do treinamento, a correlação entre o deslocamento temporal previsto e o real chegou a 0,85. Em idades e doadores reservados, foi de 0,77. O erro mediano da previsão de tempo foi de 87 meses, contra 178–180 meses dos métodos de referência mais simples.

Outro ponto importante: o MaxToki não recebe rótulos explícitos de sexo ou de tipo celular na inferência, e reconstrói o contexto a partir dos próprios dados. Isso aproxima o modelo do aprendizado em contexto (in-context learning) dos modelos de linguagem, só que no domínio biológico.

Chama atenção especialmente o teste com doenças que o modelo nunca viu durante o treinamento, já que foi treinado apenas com envelhecimento "normal". Em células do epitélio pulmonar de pessoas com histórico pesado de tabagismo, o MaxToki estimou aceleração do envelhecimento de cerca de 5 anos em relação ao grupo de controle da mesma idade. Para fibroblastos pulmonares na fibrose pulmonar, a estimativa chegou a cerca de 15 anos.

Na microglia de pacientes com doença de Alzheimer, o modelo mostrou cerca de 3 anos de deslocamento etário adicional. Esse sinal não apareceu em pessoas com comprometimento cognitivo leve nem nos chamados pacientes Alzheimer-resilient, que têm neuropatologia semelhante, mas nenhum déficit cognitivo pronunciado. Isso sugere que o modelo pode captar não apenas a idade, mas especificamente a aceleração patológica do envelhecimento celular.

A parte mais forte do trabalho é a tentativa de passar da previsão à ação. Os pesquisadores usaram o MaxToki para uma triagem in silico de genes em células cardíacas e buscaram alvos que pudessem deslocar a trajetória rumo ao envelhecimento ou ao rejuvenescimento. Vários candidatos pró-envelhecimento antes não descritos foram então testados experimentalmente.

Em cardiomiócitos humanos, a superexpressão deles ativou programas de inflamação e disfunção mitocondrial e piorou a função celular, incluindo alterações no ciclo do cálcio e no ritmo de contração. Os dois candidatos mais fortes também foram testados em camundongos jovens: segundo os autores, em apenas seis semanas isso causou piora mensurável da função cardíaca. Para a IA biomédica, é um ponto importante: o modelo não apenas interpreta bem os dados, mas gera hipóteses que resistem ao teste de laboratório.

O que isso significa na prática? O MaxToki continua sendo um sistema de pesquisa e foi publicado como preprint, então ainda é cedo para falar em uso clínico. Mas a ideia é muito forte: se os modelos de fundação aprenderem a modelar de forma estável trajetórias celulares no tempo, poderão se tornar uma ferramenta para a busca precoce de alvos contra doenças associadas à idade, a seleção de candidatos a medicamentos e a verificação de hipóteses antes de experimentos caros. Em resumo, a biologia ganha um "simulador do futuro" para as células, e isso é bem mais interessante do que mais um modelo que apenas descreve um retrato do presente.