O maior animal que já andou no planeta era conhecido como Patagotitan mayurum, que pesava aproximadamente 154.323 libras, o que é aproximadamente o mesmo que 10 elefantes africanos.

Esse animal era mais longo que a baleia azul, chegando a 36 metros de comprimento, mas era mais leve e menor em massa total, segundo o site americano “space”. Peneira torcida.

Um subgrupo de dinossauros caracterizado por longos pescoços e caudas, Patagotitan mayorum foi considerado um saurópode. Esta espécie também tinha quatro pernas atarracadas em forma de coluna que penetravam no solo.

Brontosaurus e Diplodocus estão entre os membros famosos deste grupo.

Os maiores animais da Terra são geralmente considerados baleias, girafas e elefantes, mas Patagotitan mayorum vence todos eles na corrida.

O prefeito de Patagotitan entrou na região da Patagônia, onde hoje é o sul da Argentina. Antes da descoberta do Patagotitan mayorum, a área era o lar do dinossauro argentinossauro, que anteriormente também detinha o recorde de maior animal terrestre.

Embora o solo circundante indique que o animal viveu há cerca de 100 milhões de anos, os fósseis de Patagotitan mayorum foram descobertos pela primeira vez em 2017.

Um estudo do grupo de Hackett no EMBL Roma levou ao desenvolvimento de uma poderosa técnica de edição de genes, que abre a capacidade de programar com precisão modificações na cromatina.

Compreender como os genes são regulados em nível molecular é um grande desafio na biologia moderna. Este mecanismo complexo é impulsionado principalmente pela interação entre proteínas chamadas fatores de transcrição, ADN Regiões reguladoras e modificações epigenéticas – alterações químicas que alteram a estrutura da cromatina. A coleção de modificações epigenéticas no genoma de uma célula é chamada de epigenoma.

Avanços na edição do epigenoma

Em um estudo publicado hoje (9 de maio) em Genética da naturezaCientistas do grupo de Hackett no Laboratório Europeu de Biologia Molecular (EMBL) em Roma desenvolveram uma plataforma modular de edição de genoma – um sistema para programar modificações epigenéticas em qualquer parte do genoma. O sistema permite aos cientistas estudar o efeito de cada modificação da cromatina na transcrição, o mecanismo pelo qual os genes são transcritos em mRNA para catalisar a síntese protéica.

Acredita-se que as modificações da cromatina contribuam para a regulação de processos biológicos importantes, como desenvolvimento, resposta a sinais ambientais e doenças.

Ilustração criativa do Kit de Ferramentas de Edição Epigenética: Cada edifício representa o estado epigenético de um único gene (as janelas escuras são genes silenciosos, as janelas claras são genes ativos). A alavanca demonstra o sistema de edição epigenética que permite a deposição de novo de marcas de cromatina em qualquer sítio genômico. Marzia Monafo

Para compreender os efeitos de marcas específicas da cromatina na regulação genética, estudos anteriores mapearam a sua distribuição nos genomas de tipos de células saudáveis ​​e doentes. Ao combinar estes dados com a análise da expressão genética e dos efeitos conhecidos de genes específicos perturbadores, os cientistas atribuíram funções a estas marcas da cromatina.

No entanto, tem sido difícil determinar a relação causal entre as marcas da cromatina e a regulação genética. O desafio é dissecar as contribuições individuais dos muitos fatores complexos envolvidos em tal regulação – marcas de cromatina, fatores de transcrição e sequências regulatórias de DNA.

Avanço na tecnologia de edição de epigenoma

Cientistas do grupo de Hackett desenvolveram um sistema modular de edição de genoma para programar com precisão nove marcas de cromatina biologicamente importantes em qualquer região desejada do genoma. O sistema é baseado em CRISPR – uma tecnologia de edição de genoma amplamente utilizada que permite aos pesquisadores fazer modificações em locais específicos do DNA com alta precisão e Precisão.

Essas perturbações sutis permitiram-lhes dissecar cuidadosamente as relações de causa e efeito entre as marcas da cromatina e seus efeitos biológicos. Os cientistas também conceberam e utilizaram um “sistema repórter”, que lhes permitiu medir alterações na expressão genética ao nível unicelular e compreender como as alterações na sequência de ADN afectam o efeito de cada marca da cromatina. Seus resultados revelam os papéis causais de um conjunto de marcas de cromatina importantes na regulação genética.

Principais descobertas e direções futuras

Por exemplo, os investigadores descobriram um novo papel para o H3K4me3, uma marca da cromatina que anteriormente se pensava ser uma consequência da transcrição. Eles observaram que o H3K4me3 pode, na verdade, aumentar a transcrição por si só se for adicionado artificialmente a locais específicos do DNA.

“Este foi um resultado muito emocionante e inesperado que contrariou todas as nossas expectativas”, disse Christina Policarpi, investigadora de pós-doutoramento no grupo de Hackett e cientista principal do estudo. “Nossos dados apontam para uma rede regulatória complexa, onde múltiplos fatores governantes interagem para modular os níveis de expressão gênica em uma determinada célula. Esses fatores incluem a estrutura pré-existente da cromatina, a sequência de DNA subjacente e a localização no genoma.

Aplicações potenciais e pesquisas futuras

Hackett e seus colegas estão atualmente explorando maneiras de aproveitar essa tecnologia por meio de um projeto inicial promissor. O próximo passo será confirmar e ampliar estas conclusões, visando genes em diferentes tipos de células e em larga escala. Como as marcas da cromatina afetam a transcrição através da diversidade genética e os mecanismos a jusante ainda precisam ser elucidados.

“Nosso kit de ferramentas modular de edição epigenética constitui uma nova abordagem experimental para dissecar as inter-relações entre o genoma e o epigenoma”, disse Jamie Hackett, líder do grupo EMBL Roma. “O sistema poderia ser usado no futuro para compreender com mais precisão a importância das mudanças epigenômicas na influência da atividade genética durante o desenvolvimento e em doenças humanas. Por outro lado, esta tecnologia também abre a capacidade de programar níveis de expressão genética desejados de uma forma altamente. maneira ajustável. Este é um caminho interessante para aplicações.” Benefícios de saúde precisos podem ser úteis em casos de doença.

Referência: “A edição do genoma do caule captura a função instrutiva dependente do contexto das modificações da cromatina” 9 de maio de 2024, Genética da natureza.
doi: 10.1038/s41588-024-01706-s

resumo: Os pesquisadores desenvolveram um modelo inovador chamado Brain Language Model (BrainLM), usando inteligência artificial generativa para mapear a atividade cerebral e suas implicações no comportamento e nas doenças. O BrainLM aproveita 80.000 exames de 40.000 indivíduos para criar um modelo básico que captura a dinâmica da atividade cerebral sem exigir dados específicos relacionados a doenças.

Este modelo reduz significativamente o custo e o volume de dados necessários para estudos tradicionais do cérebro e fornece uma estrutura poderosa que pode prever condições como depressão, ansiedade e TEPT de forma mais eficaz do que outras ferramentas. O BrainLM está mostrando aplicação eficaz em ensaios clínicos, reduzindo potencialmente os custos pela metade ao identificar os pacientes com maior probabilidade de se beneficiarem de novos tratamentos.

Principais fatos:

1. Modelo de IA generativo: BrainLM usa IA generativa para analisar padrões de atividade cerebral a partir de conjuntos de dados em grande escala, aprendendo a dinâmica subjacente sem detalhes específicos do paciente.
2. Custo e eficiência em pesquisa: O modelo reduz a necessidade de inscrever pacientes em grande escala em ensaios clínicos, o que poderia reduzir significativamente os custos ao utilizar as suas capacidades preditivas para selecionar candidatos apropriados para estudos.
3. Ampla aplicação: Testado em diferentes scanners e dados demográficos, o BrainLM mostrou desempenho superior na previsão de vários problemas de saúde mental e é promissor para auxiliar futuras pesquisas e estratégias de tratamento.

fonte: Faculdade de Medicina de Baylor

Uma equipe de pesquisadores do Baylor College of Medicine e da Universidade de Yale combinou inteligência artificial generativa (IA) para criar um modelo básico de atividade cerebral. O Brain Language Model (BrainLM) foi desenvolvido para modelar o cérebro in silico e determinar como as atividades cerebrais se relacionam com o comportamento humano e as doenças cerebrais.

A pesquisa foi publicada como um artigo de conferência no ICLR 2024.

“Sabemos há muito tempo que a atividade cerebral está ligada ao comportamento de uma pessoa e a muitas doenças, como convulsões ou doença de Parkinson”, diz o Dr. Shadi Abdullah, professor associado do Departamento Menninger de Psiquiatria e Ciências do Comportamento da Universidade Baylor e Universidade Baylor. Coautor do artigo.

“A imagem funcional do cérebro, ou fMRI, permite-nos observar a atividade cerebral em todo o cérebro, mas anteriormente não conseguimos capturar totalmente a dinâmica dessas atividades no tempo e no espaço usando ferramentas tradicionais de análise de dados.

“Recentemente, as pessoas começaram a usar o aprendizado de máquina para capturar a complexidade do cérebro e como ele se relaciona com certas doenças, mas isso acaba exigindo um registro e triagem completos de milhares de pacientes com um comportamento ou doença específica, o que é um processo muito caro.”

O poder das novas ferramentas generativas de IA reside na sua utilização para criar modelos básicos independentes de uma tarefa específica ou de um grupo específico de pacientes. A IA generativa pode atuar como um detetive que revela padrões ocultos em um conjunto de dados.

Ao analisar os pontos de dados e as relações entre eles, estes modelos podem aprender a dinâmica subjacente – como e por que as coisas mudam ou evoluem.

Esses modelos básicos são então ajustados para compreender uma variedade de tópicos. Os pesquisadores usaram IA generativa para capturar como funciona a atividade cerebral, independentemente de um distúrbio ou doença específica.

Isso pode se aplicar a qualquer população sem a necessidade de conhecer o comportamento de uma pessoa ou informações sobre sua doença, histórico ou idade. A atividade cerebral só é necessária para ensinar ao computador e ao modelo de IA como a atividade cerebral evolui no espaço e no tempo.

A equipe realizou 80 mil exames de 40 mil pessoas e treinou o modelo para ver como as atividades cerebrais se relacionam entre si ao longo do tempo, criando o modelo básico de atividade cerebral, BrainLM. Agora, os pesquisadores podem usar o BrainLM para definir uma tarefa específica e fazer perguntas em outros estudos.

“Se você quiser fazer um ensaio clínico para desenvolver um medicamento para depressão, por exemplo, isso pode custar centenas de milhões de dólares porque é preciso inscrever um grande número de pacientes e tratá-los por um longo tempo.

“Com o poder do BrainLM, podemos reduzir esse custo pela metade, matriculando apenas metade das pessoas e usando o poder do BrainLM para selecionar os indivíduos mais dispostos a se beneficiar do tratamento. Portanto, o BrainLM pode aplicar o conhecimento de 80.000 exames em casos específicos. assuntos de estudo.”

A primeira etapa, o pré-processamento, resume os sinais e remove ruídos não relacionados à atividade cerebral. Os pesquisadores colocaram os resumos em um modelo de aprendizado de máquina e mascararam uma porcentagem dos dados para cada pessoa. Quando o modelo aprendeu a dinâmica, eles a testaram em um conjunto de testes negligenciado.

Eles também o testaram em diferentes amostras para entender até que ponto o modelo poderia generalizar para dados obtidos usando diferentes scanners e em diferentes populações, como adultos mais velhos e jovens.

Eles descobriram que o BrainLM teve um bom desempenho em diferentes amostras. Eles também descobriram que o BrainLM prevê a gravidade da depressão, ansiedade e TEPT melhor do que outras ferramentas de aprendizado de máquina que não usam IA generativa.

“Descobrimos que o BrainLM funciona muito bem. Ele prevê a atividade cerebral em uma nova amostra que foi ocultada durante o treinamento e também funciona bem com dados de novos scanners e novas populações”, disse Abdullah.

“Estes resultados impressionantes foram alcançados através de inquéritos a 40.000 pessoas. Estamos agora a trabalhar para aumentar significativamente o conjunto de dados de formação.

“Quanto mais forte for o modelo que pudermos construir, mais poderemos fazer para ajudar a cuidar dos pacientes, como desenvolver um novo tratamento para doenças mentais ou orientar a neurocirurgia para convulsões ou estimulação cerebral profunda.”

Os pesquisadores planejam aplicar este modelo em pesquisas futuras para prever doenças relacionadas ao cérebro.

Sobre notícias de pesquisa em inteligência artificial e neurociência

autor: Homa Warren
fonte: Faculdade de Medicina de Baylor
comunicação: Homa Warren – Faculdade de Medicina de Baylor
foto: Imagem creditada ao Neuroscience News

Pesquisa original: Os resultados serão exibidos em Conferência Internacional sobre Pesquisa Agrícola 2024