Pesquisadores da Penn Medicine desenvolveram uma estrutura de inteligência artificial que integra grandes modelos de linguagem com experiência humana para descobrir novos alvos para a terapia com células T CAR, de acordo com um relatório publicado quarta-feira na revista Cell. O estudo foi liderado por Daniel Baker, que completou seu doutorado na Penn em dezembro de 2025 sob a orientação do pioneiro da terapia com células T CAR, Carl June, e de Zoltan Arany, presidente de Fisiologia da Penn.
O sistema de IA, descrito como um modelo “human-in-the-loop”, visa mitigar o desafio de identificação de antígenos para células T CAR. “Descobrir um bom alvo CAR é como tentar encontrar uma agulha num palheiro, exceto que o palheiro continua a crescer à medida que mais dados de sequenciamento se tornam disponíveis”, disse Baker. Ele observou que a IA é adequada para esta tarefa, uma vez que grandes modelos de linguagem podem analisar grandes quantidades de dados de forma eficaz, enquanto especialistas humanos podem fornecer insights aprofundados.
The framework combines single-cell RNA sequencing datasets with LLM-based simulations to nominate and prioritize potential CAR T targets, producing a shortlist for expert validation. O design é independente de doenças e compatível com futuros modelos de IA.
Como prova de conceito, a equipe se concentrou no câncer de pele e identificou a glicoproteína proteína B do melanoma não metastático (GPNMB) como a principal candidata. As células CAR T projetadas para atingir o GPNMB demonstraram atividade significativa de destruição de tumores em modelos de camundongos com melanoma, leucemia e câncer colorretal. Um comentário relacionado na Cell destacou que o tratamento com GPNMB CAR T resultou em remissão sem recidiva em modelos de xenoenxerto.
Embora a terapia com células T CAR tenha melhorado significativamente o tratamento de cânceres no sangue, as terapias atuais aprovadas pela FDA têm como alvo predominantemente antígenos nessas doenças malignas. Os pesquisadores afirmam que sua estrutura pode reduzir o processo de descoberta do alvo de meses para semanas, facilitando sua aplicação a uma variedade de tipos de doenças sem exigir o redesenho da arquitetura subjacente.
