Modelagem Computacional da Resolução Inflamatória Mediada por Tregs em Culturas 3D de Tecidos Regenerativos: uma Abordagem com PINNs e Imunometabolismo

Resumo

A compreensão das interações célula-célula e das redes de sinalização molecular na regeneração tecidual é um dos principais desafios da biologia contemporânea e da medicina translacional. Este estudo investiga, de forma integrativa e multiescalar, como a organização tridimensional dos tecidos e os circuitos de comunicação intercelular influenciam diferenciação, reprogramação metabólica, apoptose e plasticidade celular, com foco na organogênese e na restauração funcional de tecidos lesados. A pesquisa utiliza exclusivamente simulações computacionais in silico, baseadas em princípios físico-químicos e bioinformáticos, sem experimentação in vitro, para modelar culturas celulares 3D, como organoides e esferoides, representados como abstrações digitais fundamentadas em dados e hipóteses validadas. São aplicadas equações diferenciais parciais acopladas a redes neurais físico-informadas (PINNs) e estendidas a redes neurais biologicamente e funcionalmente informadas (BINNs e iBNNs) para mapear fluxos simbólicos de citocinas, metabólitos e fatores tróficos, destacando Tregs, macrófagos M2 e precursores epiteliais. A integração de dados multi-ômicos (transcriptoma, epigenoma e metaboloma) fornece suporte teórico e paramétrico aos modelos, permitindo maior realismo biológico e capacidade preditiva. O objetivo central é desenvolver um arcabouço matemático capaz de representar e modular estados celulares associados à regeneração e à resolução inflamatória, contribuindo para estratégias terapêuticas personalizadas em doenças crônicas inflamatórias, degenerativas, envelhecimento e câncer. O trabalho situa-se na interseção entre biologia de sistemas, imunometabolismo, engenharia de tecidos e inteligência computacional, com potencial translacional e de inovação em biotecnologia.

Referências

1. ALBERTS, B. et al. Biologia Molecular da Célula. 6. ed. Porto Alegre: Artmed, 2015.
2. BUCK, M. D. et al. Metabolic Instruction of Immunity. Cell, v. 169, n. 4, p. 570-586, 2017. DOI: https://doi.org/10.1016/j.cell.2017.04.004.
3. COLLINS, F. S. et al. A vision for the future of genomics research. Nature, v. 422, n. 6934, p. 835-847, 2003. DOI: https://doi.org/10.1038/nature01626.
4. EDMONDSON, R. et al. Three-dimensional cell culture systems and their applications in drug discovery and cell-based biosensors. Assay and Drug Development Technologies, v. 12, n. 4, p. 207-218, 2014. DOI: https://doi.org/10.1089/adt.2014.573.
5. ENCODE PROJECT CONSORTIUM. An integrated encyclopedia of DNA elements in the human genome. Nature, v. 489, p. 57-74, 2012. DOI: https://doi.org/10.1038/nature11247.
6. FRIEBOES, H. B. et al. Computer simulation of glioma growth and morphology. NeuroImage, v. 37, p. S59-S70, 2007. DOI: https://doi.org/10.1016/j.neuroimage.2007.03.008.
7. GANESHAN, K.; CHAWLA, A. Metabolic regulation of immune responses. Annual Review of Immunology, v. 32, p. 609-634, 2014. DOI:
8. https://doi.org/10.1146/annurev-immunol-032713-120236.
9. GINGERAS, T. R. Origin of phenotypes: Genes and transcripts. Genome Research, v. 17, p. 682-690, 2007. DOI: https://doi.org/10.1101/gr.6525007.
10. GURTNER, G. C. et al. Wound repair and regeneration. Nature, v. 453, n. 7193, p. 314-321, 2008. DOI: https://doi.org/10.1038/nature07039.
11. HADAMARD, J. Sur les problèmes aux dérivées partielles et leur signification physique. Princeton University Bulletin, p. 49-52, 1902.
12. HUMPHRIES, B.; WELLS, A. 3D in silico models of tissue microenvironments: A new paradigm for regenerative medicine. Frontiers in Bioengineering and Biotechnology, v. 9, p. 123–135, 2021.
13. INTERNATIONAL HUMAN GENOME SEQUENCING CONSORTIUM. Finishing the euchromatic sequence of the human genome. Nature, v. 431, n. 7011, p. 931-945, 2004. DOI: https://doi.org/10.1038/nature03001.
14. JAGADEESH, S. et al. Integrating PINNs with biological dynamics for 3D tissue modeling. Applied Sciences, v. 12, n. 14, p. 8092, 2022.
15. LU, X. et al. Physics-informed neural networks for modeling cellular dynamics: Applications in regenerative medicine. Computers in Biology and Medicine, v. 150, p. 106–264, 2023.
16. MANOLIO, T. A. et al. Finding the missing heritability of complex diseases. Nature, v. 461, p. 747-753, 2009. DOI: https://doi.org/10.1038/nature08494.
17. MARDIS, E. R. DNA sequencing technologies: 2006–2016. Nature Protocols, v. 12, p. 213-218, 2017. DOI: https://doi.org/10.1038/nprot.2016.182.
18. MORRIS, V. B. et al. 3D cell culture systems for anti-cancer drug screening: Worth the effort? Expert Opinion on Drug Discovery, v. 16, n. 10, p. 1171-1185, 2021. DOI: https://doi.org/10.1080/17460441.2021.1956189.
19. MURPHY, K.; WEAVER, C. Janeway – Imunobiologia. 9. ed. Porto Alegre: Artmed, 2016.
20. NIEMIEC, E.; HOWARD, H. C.; CAVALLI, G. Whole-genome sequencing: Current status and future clinical applications. European Journal of Human Genetics, v. 25, n. 6, p. 1-7, 2017. DOI: https://doi.org/10.1038/ejhg.2016.163.
21. O’NEIL, R. et al. Immunometabolism: Linking cellular energy to immune function. Annual Review of Immunology, v. 38, p. 347–370, 2020.
22. O’NEILL, L. A. J. et al. A guide to immunometabolism for immunologists. Nature Reviews Immunology, v. 16, p. 553-565, 2016. DOI: https://doi.org/10.1038/nri.2016.70.
23. OKANO, M. et al. Treg dysfunction in metabolic disease: Implications for therapy. Nature Reviews Endocrinology, v. 17, p. 417–432, 2021.
24. PEARCE, E. L. et al. Fueling immunity: Insights into metabolism and lymphocyte function. Science, v. 342, n. 6155, p. 1242454, 2013. DOI: https://doi.org/10.1126/science.1242454.
25. PEARCE, E.; EVERTS, B. Metabolic regulation of immune responses in tissue repair. Nature Reviews Immunology, v. 22, p. 161–177, 2022.
26. RAISSI, M.; PERDIKARIS, P.; KARATZAS, G. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, v. 378, p. 686–707, 2019.
27. SAKAGUCHI, S. et al. Regulatory T cells and immune homeostasis. Cell, v. 181, n. 2, p. 259–271, 2020.
28. TOPOL, E. J. Individualized medicine from prewomb to tomb. Cell, v. 157, n. 1, p. 241-253, 2014. DOI: https://doi.org/10.1016/j.cell.2014.02.012.
29. VENTER, J. C. et al. The sequence of the human genome. Science, v. 291, p. 1304-1351, 2001. DOI: https://doi.org/10.1126/science.1058040.
30. ZHANG, Y. et al. Computational modeling of Treg-mediated immune responses in tissue regeneration. Frontiers in Immunology, v. 12, p. 771–789, 2021.