Um framework de aprendizado de máquina revela os principais determinantes das respostas de citocinas em uma coorte humana saudável

Por que nossas reações imunológicas diferem

Quando duas pessoas saudáveis pegam o mesmo resfriado, uma pode mal ficar com o nariz escorrendo enquanto a outra fica de cama por dias. Grande parte dessa diferença provém de quão fortemente seus sistemas imunológicos liberam proteínas sinalizadoras chamadas citocinas. Este estudo coloca uma pergunta simples porém importante: é possível prever como o sistema imunológico de uma pessoa saudável reagirá, usando uma combinação de fatores genéticos e cotidianos, como estação do ano, infecções prévias e exames de sangue?

Analisando de perto sistemas imunológicos saudáveis

Para investigar isso, os pesquisadores formaram um grupo criteriosamente selecionado de 406 adultos saudáveis, todos testados sob condições padronizadas. Coletaram sangue pela manhã após jejum, mediram níveis hormonais e contagens de células imunes, e registraram fatores como sexo, idade, peso corporal e estação do ano no momento da amostra. Em seguida, estimularam sangue total fresco com substâncias que imitam germes e ativam dois grandes braços da imunidade: receptores Toll-like (sentinelas inatas que detectam sinais amplos de perigo) e receptores de células T (células adaptativas que reconhecem alvos específicos). A equipe mediu 11 respostas diferentes de citocinas, criando um panorama rico de como o sistema imunológico de cada pessoa reage sob desafios laboratoriais controlados.

Encontrando padrões de respondedores fortes e fracos

O primeiro passo foi verificar se as pessoas naturalmente se agrupam em “tipos” imunes reconhecíveis. Ao examinar como uma citocina-chave, IL-6, respondia a vários estímulos inatos, a equipe identificou dois grupos principais: produtores altos e produtores baixos. Indivíduos que produziam mais IL-6 a um gatilho inato tendiam a produzir mais também outras citocinas relacionadas, sugerindo perfis de resposta estáveis. Produtores altos de IL-6 eram mais frequentemente do sexo masculino, tinham contagens mais altas de um tipo de glóbulo branco chamado monócito e eram mais propensos a terem sido amostrados no inverno, destacando como tanto a biologia quanto o ambiente moldam o tom imune ao longo do ano.

Genes versus ambiente: quem dirige o quê?

Na sequência, os pesquisadores escanearam o genoma inteiro em busca de variantes de DNA ligadas aos níveis de citocinas e encontraram quatro regiões que influenciavam claramente certas respostas, incluindo uma variante bem conhecida que afeta citocinas conduzidas por células T. Mas os genes contavam apenas parte da história. Eles então confrontaram várias abordagens de predição, desde modelos lineares simples até técnicas de aprendizado de máquina mais flexíveis, como random forests e árvores com reforço de gradiente. Quando tentaram prever respostas de citocinas usando apenas dados genéticos, apenas algumas citocinas associadas a células T puderam ser previstas com precisão razoável. Depois de adicionar informações biológicas e ambientais — como contagens sanguíneas, estação e exposição prévia ao citomegalovírus — os modelos melhoraram, especialmente para respostas de receptores inatos, nas quais sinais puramente genéticos eram fracos.

O que os melhores modelos revelam

O método mais confiável foi uma técnica baseada em árvores chamada random forest. Ao avaliar o quanto a predição piorava quando cada entrada era embaralhada, os autores puderam ver quais características realmente importavam. Para citocinas conduzidas por células T, variantes genéticas foram os principais determinantes, com papéis menores para idade e exposição viral crônica. Para citocinas dirigidas por receptores inatos, como IL-6 e TNF, o momento da estação e as contagens de monócitos foram muito mais influentes do que marcadores de DNA. A equipe também mostrou como é fácil superestimar o poder da genética se a seleção de características for feita de forma incorreta, e confirmou suas descobertas principais em uma coorte independente de quase 500 não fumantes. Curiosamente, escores genéticos amplos de risco para doenças autoimunes não melhoraram a predição, sugerindo que genes que predispõem a doença não espelham de forma direta os genes que regulam respostas imunes cotidianas em pessoas saudáveis.

O que isso significa para uma imunidade personalizada futura

Para o leitor leigo, a lição é que nossas respostas imunes não estão escritas apenas em nossos genes. Algumas citocinas, especialmente as conduzidas por células T, são fortemente moldadas por variações herdadas no DNA. Outras, particularmente as produzidas por sensores inatos como os receptores Toll-like, dependem muito mais de fatores mutáveis como estação do ano, contagens celulares, hormônios e exposições passadas. Ferramentas modernas de aprendizado de máquina podem tecer esses elementos para ranquear quem provavelmente será um respondededor forte ou fraco, mas têm limites e devem ser usadas com cuidado para evitar otimismo enganoso. No geral, este trabalho nos aproxima de prever o comportamento imune individual, ao mesmo tempo em que enfatiza que tanto nossos genomas quanto nossos ambientes diários conjuntamente escrevem a intensidade com que reagimos a uma infecção.

Citação: Liefferinckx, C., Bottieau, J., Quertinmont, E. et al. A machine learning framework reveals key drivers of cytokine responses in a healthy human cohort. npj Syst Biol Appl 12, 45 (2026). https://doi.org/10.1038/s41540-026-00671-w

Palavras-chave: respostas de citocinas, aprendizado de máquina, variabilidade imunológica, genética e ambiente, imunologia de sistemas