Métodos de alto rendimento que utilizam robótica e visão computacional para o desenvolvimento de coquetéis terapêuticos de fago

Por que isso importa para infecções do dia a dia

A resistência a antibióticos está transformando infecções outrora rotineiras, como infecções do trato urinário (ITUs), em problemas persistentes e, às vezes, com risco de vida. Este estudo descreve como cientistas estão aproveitando robôs, câmeras e análise de dados para construir medicamentos baseados em vírus, chamados coquetéis de fagos, capazes de atacar especificamente bactérias resistentes a drogas que causam ITUs. O trabalho demonstra como um laboratório automatizado em estilo industrial pode vasculhar um número enorme de combinações vírus–bactéria para projetar um tratamento padronizado que funcione para a maioria dos pacientes.

Transformando uma infecção comum em caso de teste

As ITUs estão entre as razões mais frequentes para o uso de antibióticos, especialmente entre mulheres, muitas das quais sofrem infecções recorrentes. O principal responsável é uma forma de E. coli que tem se tornado cada vez mais resistente aos medicamentos padrão. Antibióticos tradicionais atuam de forma ampla e podem perturbar os micróbios benéficos do corpo, além de estimular a evolução de resistência nas bactérias. Fagos — vírus que infectam bactérias — oferecem uma opção mais direcionada, mas cada fago tende a atacar apenas certas linhagens bacterianas. O desafio é encontrar a mistura adequada de fagos que, coletivamente, consiga lidar com a diversidade real das E. coli causadoras de ITU.

Construindo uma biblioteca realista das bactérias problemáticas

A equipe primeiro montou um amplo e diverso painel de linhagens de E. coli causadoras de ITU para espelhar o que é observado nas clínicas. A partir de cerca de 1.700 isolados coletados de pacientes e fontes comerciais, e guiados por dados genéticos de aproximadamente 10.000 genomas públicos de E. coli, selecionaram 356 cepas para um “Painel Clínico”. Essas linhagens cobriram as principais linhagens genéticas, vinham de pacientes de 39 estados dos EUA e incluíam muitas resistentes a múltiplas classes de antibióticos. Cada cepa foi cuidadosamente cultivada, fracionada, etiquetada com código de barras e armazenada em freezers automatizados para que robôs pudessem acessá-las repetida e de forma confiável para os testes.

Robôs e câmeras caçam a melhor mistura de vírus

Em seguida, os pesquisadores partiram para o outro lado da equação: os fagos. Coletaram mais de mil amostras ambientais, principalmente de águas residuais, e usaram seu Painel Clínico para isolar 1.143 fagos que miram E. coli, dos quais 421 tornaram-se os principais operários. Uma plataforma robótica personalizada usou pipetas multicanais, incubadores e leitores de placas para misturar bactérias, fagos e meio de crescimento em poços minúsculos e monitorar o crescimento bacteriano por 20 horas. Ao comparar o crescimento nos poços tratados com fago com controles não tratados, o sistema mediu o quão efetivamente cada fago — ou combinação de fagos — suprimia o crescimento bacteriano. Com o tempo, isso produziu cerca de 1,5 milhão de curvas de crescimento e mais de 3,8 milhões de registros de reações fago–bactéria, que alimentaram um modelo de previsão de coquetéis sugerindo novas combinações promissoras para testar.

Deixando a visão computacional contar os sobreviventes

Leituras ópticas mostram a turbidez geral, mas não detectam facilmente quando resta apenas um pequeno número de bactérias. Para quantificar mortes profundas, a equipe adicionou um segundo ensaio automatizado. Robôs diluíram amostras, as aplicaram em placas de ágar e as incubaram para que sobreviventes bacterianos individuais formassem colônias visíveis. Câmeras de alta resolução então fotografaram as placas. Um pipeline de análise de imagem personalizado utilizou três algoritmos diferentes para contar colônias e clareiras induzidas por fagos, cruzando resultados e sinalizando discordâncias para revisão humana. Em mais de dois milhões de pontos, o sistema automatizado igualou ou superou a precisão de analistas treinados enquanto operava em escala muito maior, fornecendo contagens confiáveis de bactérias vivas e partículas de fago.

De milhões de testes a um coquetel poderoso

Usando esses ensaios de alto rendimento e ferramentas de previsão, os pesquisadores reduziram milhares de possibilidades a um coquetel de seis fagos, LBP-EC01. Fabricado sob condições de padrão farmacêutico, esse coquetel mostrou atividade em laboratório contra 96,4% das 356 linhagens do Painel Clínico e reduziu o número de bactérias em pelo menos 100.000 vezes na maioria dos casos. Quando a equipe testou isolados de E. coli da primeira parte de um ensaio clínico de Fase 2 em andamento em mulheres com ITU aguda, 97% das cepas únicas foram sensíveis ao coquetel, e o padrão de eliminação correspondeu de perto ao observado no painel pré-construído. Importante, não houve evidência de que as bactérias dos pacientes evoluíssem resistência genética aos fagos durante o período monitorado.

O que isso significa para tratamentos futuros

Em termos simples, este trabalho mostra que automação e imageamento cuidadosamente projetados podem eliminar as incertezas da terapia com fagos. Ao parear coleções realistas de bactérias de pacientes com testes robóticos e visão computacional, os pesquisadores criaram um coquetel de fagos de ampla atividade que permanece eficaz contra isolados clínicos do mundo real. Embora ensaios maiores sejam necessários para confirmar benefícios clínicos, a abordagem oferece um roteiro para desenvolver medicamentos fagos fixos e escaláveis para combater infecções multirresistentes e reduzir a dependência de antibióticos tradicionais.

Citação: Penke, T.J.R., Hammack, A.T., McMillan, L.J. et al. High-throughput methods leveraging robotics and computer vision for the development of therapeutic phage cocktails. Nat Commun 17, 2192 (2026). https://doi.org/10.1038/s41467-026-68684-x

Palavras-chave: terapia com fagos, infecção do trato urinário, resistência a antibióticos, automação laboratorial, visão computacional