Perfil multiômico baseado em IA revela contribuições ômicas complementares para previsão personalizada de doenças cardiovasculares

Por que prever problemas cardíacos mais cedo importa

Doenças cardíacas e AVC continuam sendo as maiores causas de morte no mundo, frequentemente acometendo pessoas aparentemente saudáveis sem aviso. Os médicos já usam listas de verificação com idade, pressão arterial, colesterol e tabagismo para avaliar risco, mas essas ferramentas podem deixar de identificar muitos futuros pacientes e superestimar o perigo em outros. Este estudo faz uma pergunta atual: se investigarmos mais profundamente as moléculas circulantes no sangue e as analisarmos com inteligência artificial, podemos identificar doenças cardiovasculares anos antes de sua manifestação — e personalizar a prevenção para cada indivíduo?

Procurando sinais ocultos dentro do sangue

Os pesquisadores utilizaram o UK Biobank, um grande projeto de saúde que acompanha centenas de milhares de voluntários por muitos anos. Para um subconjunto desses participantes, cientistas mediram cuidadosamente milhares de moléculas em amostras de sangue: pequenos metabólitos relacionados a gorduras, açúcares e aminoácidos, e proteínas envolvidas em inflamação, coagulação e outros processos corporais. A equipe concentrou-se em seis grandes condições cardiovasculares — doença arterial coronariana, AVC, insuficiência cardíaca, fibrilação atrial, doença arterial periférica e tromboses venosas — para verificar se essas impressões digitais moleculares poderiam prever quem desenvolveria qual doença.

Ensinando a inteligência artificial a ler padrões moleculares

Para interpretar quase 3.000 proteínas e 168 metabólitos, os autores construíram dois modelos de aprendizado profundo, MetNet e ProNet. Em vez de prever uma doença por vez, esses modelos aprenderam padrões relacionados a todos os seis desfechos cardiovasculares simultaneamente. A partir dos dados de metabólitos, o MetNet produziu uma pontuação de risco combinada chamada MetScore; a partir dos dados de proteínas, o ProNet gerou o ProScore. Cada pessoa recebeu assim seis pontuações por sistema — uma para cada tipo de doença cardiovascular — resumindo milhões de possíveis interações moleculares em um punhado de números que um modelo estatístico padrão poderia usar junto com idade, pressão arterial, medicações e risco genético.

Quanto melhores são essas pontuações moleculares?

Quando a equipe testou as pontuações em um grupo independente de 24.287 pessoas que tinham todos os tipos de dados disponíveis, tanto o MetScore quanto o ProScore se mostraram preditores fortes por si só, separando claramente os participantes em grupos de baixo, médio e alto risco ao longo de 15 anos de acompanhamento. As pontuações baseadas em proteínas tiveram o melhor desempenho, frequentemente superando as medidas poligênicas tradicionais (baseadas em DNA) por ampla margem. Adicionar ProScore e MetScore aos fatores clínicos convencionais melhorou a acurácia da previsão de risco para todos os desfechos cardiovasculares estudados, mesmo quando os modelos de base já eram detalhados. Em alguns casos, particularmente para doença arterial periférica e fibrilação atrial, o ganho em desempenho foi substancial, e análises de curvas de decisão indicaram que os médicos poderiam tomar decisões mais benéficas sobre quem deveria receber tratamento preventivo.

O que as moléculas revelam sobre a biologia da doença

Além da previsão, os pesquisadores investigaram quais moléculas específicas foram mais influentes nos modelos de IA usando um método de explicação chamado SHAP. Confirmaram a importância de marcadores conhecidos como creatinina e albumina (refletindo função renal e saúde geral), bem como sinais inflamatórios como GlycA e proteínas de estresse cardíaco como NT-proBNP. Ao mesmo tempo, os modelos destacaram proteínas e metabólitos menos conhecidos ligados à inflamação, coagulação, remodelamento vascular e até lesão nervosa, com padrões em parte compartilhados e em parte específicos a cada doença. Curiosamente, nenhuma única molécula igualou o poder preditivo do MetScore ou ProScore combinados, enfatizando que o risco cardiovascular decorre de muitas mudanças sutis atuando em conjunto, em vez de um único culpado.

Dos grandes dados para um cuidado cardíaco mais pessoal

O estudo conclui que integrar genética, perfis moleculares detalhados do sangue e informações clínicas rotineiras pode afinar significativamente nossa visão sobre quem provavelmente desenvolverá grandes doenças cardiovasculares, muitas vezes com uma antecedência de uma década ou mais. Medições de proteínas, em particular, parecem conter informações ricas e acionáveis sobre estresse biológico em curso muito antes do aparecimento de sintomas. Embora os testes necessários ainda não sejam comuns ou baratos, os custos estão caindo, e os autores disponibilizaram sua abordagem CardiOmicScore como uma ferramenta protótipo. Com validação adicional em populações mais diversas, esse perfil multiômico conduzido por IA poderia ajudar clínicos a migrar de listas padronizadas para prevenção verdadeiramente personalizada — identificando indivíduos de alto risco mais cedo, ajustando tratamentos à biologia subjacente e potencialmente reduzindo a carga global de doenças cardíacas e vasculares.

Citação: Luo, Y., Zhang, N., Yang, J. et al. AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease. Nat Commun 17, 2269 (2026). https://doi.org/10.1038/s41467-026-68956-6

Palavras-chave: previsão de risco cardiovascular, proteômica, metabolômica, aprendizado profundo, biomarcadores