Novo exame aponta risco de engordar e desenvolver diabetes

Método que faz uso de inteligência artificial permite, com base na análise do sangue, predizer se uma pessoa vai ganhar peso caso não mude seus hábitos. Projeto foi desenvolvido na Unicamp com apoio da FAPESP

Karina Toledo | Agência FAPESP – Pesquisadores da Universidade Estadual de Campinas (Unicamp) desenvolveram um software que permite identificar, com base na análise de moléculas do plasma sanguíneo, indivíduos com risco aumentado de ganhar peso e desenvolver doenças associadas à obesidade.

O trabalho foi coordenado pelo professor Rodrigo Ramos Catharino no Laboratório Innovare de Biomarcadores e contou com apoio da FAPESP. Os resultados foram descritos na revista Frontiers in Bioengineering and Biotechnology.

“O exame revela, com cerca de 90% de precisão, se uma pessoa vai ou não ganhar peso caso nenhuma intervenção seja feita. Mostra ainda se há risco de desenvolver doenças como diabetes, hipertensão e dislipidemia. É uma ferramenta importante, pois possibilita aos profissionais de saúde orientar mudanças no estilo de vida antes mesmo que o problema se instale”, disse Catharino à Agência FAPESP.

O teste pode ser feito com uma amostra de sangue, que deve ser analisada em um espectrômetro de massas. O equipamento revela todos os metabólitos presentes no fluido corporal. Esse conjunto de moléculas retrata os diversos processos metabólicos ativos no organismo.

Os dados obtidos por espectrometria podem então ser processados pelo software criado durante o doutorado de Flávia Luísa Dias-Audibert. O trabalho foi feito em parceria com o pesquisador Luiz Cláudio Navarro, orientando do professor Anderson Rezende Rocha no Instituto de Computação da Unicamp. O grupo contou com apoio do Centro de Pesquisa em Obesidade e Comorbidades (OCRC), um Centro de Pesquisa, Inovação e Difusão (CEPID) da FAPESP na Unicamp.

“O programa busca a presença de cinco metabólitos que funcionam como biomarcadores com potencial de predizer o ganho de peso. Um deles, quando presente na amostra, indica que o paciente tende a desenvolver diabetes caso se torne obeso”, contou Catharino.

Os códigos do programa estão disponíveis para download gratuito. Segundo Catharino, qualquer centro de saúde que tenha acesso a um espectrômetro de massas pode fazer uso da metodologia.

“Trata-se de uma técnica barata e acessível até mesmo ao Sistema Único de Saúde. Basta um único espectrômetro de massas na rede, que pode atender a vários hospitais e ambulatórios”, disse o pesquisador.

Aprendizado de máquina

A metodologia desenvolvida na Unicamp combina ferramentas de metabolômica (estudo do conjunto de metabólitos em amostras biológicas) e inteligência artificial (aprendizado de máquina). Os pesquisadores usaram dados obtidos por meio da análise do plasma sanguíneo de 180 pessoas para “treinar” o programa de computador a reconhecer um padrão associado ao ganho de peso.

Metade dos voluntários incluídos no estudo era eutrófica (com índice de massa corporal dentro da faixa considerada normal) e os demais apresentavam grau variado de sobrepeso e obesidade.

“Todas essas pessoas passaram por análises antropométricas [medida de peso, altura e massa corporal] e responderam a um questionário com informações sobre idade, gênero e histórico familiar de doenças crônicas. Usamos parte dos pacientes para treinar o software e outra parte para validá-lo por meio da comparação de seus resultados com os dados antropométricos e o histórico de saúde. Para esse treinamento foi usado um algoritmo de aprendizado de máquina conhecido como Random Forest”, contou Catharino.

Ao todo, 18 metabólitos foram identificados como biomarcadores de processos metabólicos que favorecem o acúmulo de gordura no organismo. Desses, cinco apresentaram potencial de predizer o ganho de peso.

“A prostaglandina B2 e o carboxi-leucotrieno B4 são dois metabólitos do ácido araquidônico [ácido graxo da família do ômega-6] conhecidos por participar de processos inflamatórios, atuar no recrutamento de células para o sítio de inflamação e induzir a produção de espécies reativas de oxigênio [que em excesso prejudicam o funcionamento das células]”, contou Dias-Audibert. “Outras duas moléculas identificadas foram argininosuccinato e diidrobiopterina, envolvidas no ciclo do óxido nítrico e marcadores da produção de radicais livres.”

Segundo a pesquisadora, a combinação desses biomarcadores sugere que, em indivíduos acima do peso, ocorre uma retroalimentação da cascata inflamatória no organismo. “Esse achado vai ao encontro de diversos estudos que descrevem a inflamação crônica de baixo grau como um dos processos deletérios ativos em uma condição de excesso de peso”, disse.

O quinto biomarcador apontado como preditor foi o ácido carboxi-metil-propil-furano propanoico (CMPF), relacionado com disfunção nas células produtoras de insulina no pâncreas e com o desenvolvimento de diabetes. “Considerando que no grupo estudado havia indivíduos diabéticos, é possível sugerir que esse marcador seja o link entre o ganho de peso e o diabetes”, disse Dias-Audibert.

Na avaliação de Catharino, o programa também pode ser usado por profissionais de saúde para avaliar se o tratamento prescrito para reduzir o porcentual de gordura corporal está funcionando.

“Mesmo antes que o indivíduo perca peso é possível saber se a intervenção está dando resultado. Se os processos metabólicos que levam ao acúmulo de gordura forem interrompidos, a tendência é que esses 18 metabólitos que identificamos desapareçam do plasma sanguíneo”, afirmou.

O artigo Combining Machine Learning and Metabolomics to Identify Weight Gain Biomarkers, de Flávia Luísa Dias-Audibert, Luiz Claudio Navarro, Diogo Noin de Oliveira, Jeany Delafiori, Carlos Fernando Odir Rodrigues Melo, Tatiane Melina Guerreiro, Flávia Troncon Rosa, Diego Lima Petenuci, Maria Angelica Ehara Watanabe, Licio Augusto Velloso, Anderson Rezende Rocha e Rodrigo Ramos Catharino, pode ser lido em: https://www.frontiersin.org/articles/10.3389/fbioe.2020.00006/full.