Questão de Medicina — Alergia e Imunologia — VUNESP 2025

Modelagem computacional em vacinologia: redes bayesianas e resposta inflamatória

Gabarito: letra A. A abordagem mais adequada para prever respostas inflamatórias exageradas em subpopulações de pacientes é a análise de redes bayesianas, pois ela integra dados heterogêneos (citocinas, expressão gênica) e modela relações probabilísticas entre variáveis, capturando a complexidade das vias inflamatórias e a variabilidade entre indivíduos. As demais alternativas descrevem métodos que não atendem ao objetivo proposto: simular cinética de anticorpos, estudar estrutura molecular, comparar genomas ou quantificar IgG sem considerar interações celulares.

O problema central é prever reações adversas inflamatórias em subpopulações de pacientes. Isso exige um modelo que: (1) integre múltiplos tipos de dados biológicos (citocinas, expressão gênica), (2) capture relações não lineares e interdependentes entre variáveis, e (3) seja capaz de lidar com a heterogeneidade entre indivíduos. As redes bayesianas são grafos probabilísticos que representam variáveis como nós e dependências condicionais como arestas. Elas permitem inferir a probabilidade de uma resposta inflamatória dado um conjunto de evidências (perfil de citocinas, expressão de genes pró-inflamatórios), e podem ser treinadas com dados de populações para identificar subgrupos de risco. Essa é uma ferramenta clássica em biologia de sistemas e farmacovigilância computacional, pois lida bem com incerteza e com dados de naturezas distintas.

As outras opções usam métodos válidos em outros contextos, mas inadequados aqui:

• Equações diferenciais (B) modelam a dinâmica temporal de sistemas (ex.: cinética de anticorpos), mas não integram dados multi-ômicos nem identificam subpopulações com risco inflamatório.

• Dinâmica molecular (C) estuda interações físicas entre moléculas (ex.: estrutura do antígeno), não a resposta do hospedeiro.

• Alinhamento de sequências (D) compara sequências de DNA/proteínas, útil para filogenia ou similaridade, não para prever resposta imune.

• Regressão linear (E) é um modelo estatístico simples que assume relação linear e não captura interações complexas entre células e citocinas; além disso, a alternativa explicitamente diz "sem considerar interações celulares", o que a torna claramente insuficiente.

A pegadinha da banca está em oferecer métodos que são "científicos" e plausíveis, mas que não respondem ao que o enunciado pede: prever resposta inflamatória em subpopulações. O candidato pode ser atraído por "equações diferenciais" (por soar sofisticado) ou por "dinâmica molecular" (por ser comum em vacinologia), mas o termo-chave é "prever possíveis reações adversas" e "subpopulações" — isso aponta para modelagem preditiva integrativa, que é exatamente o que as redes bayesianas fazem.

Alternativa A — ✅ Correta ⟵ GABARITO

A análise de redes bayesianas é a ferramenta ideal para integrar dados de citocinas e expressão gênica, pois modela as relações probabilísticas entre essas variáveis e permite prever a probabilidade de uma via inflamatória ser ativada em diferentes subgrupos de pacientes. Ela lida com incerteza, incorpora conhecimento prévio (priors) e pode ser treinada com dados observacionais para identificar padrões de risco. É amplamente usada em biologia de sistemas para inferir redes regulatórias e prever fenótipos complexos.

Alternativa B — ❌ Incorreta

Equações diferenciais são usadas para modelar a dinâmica temporal de sistemas contínuos, como a concentração de anticorpos no soro ao longo do tempo. Embora possam ser úteis para simular a cinética da resposta imune humoral, não são adequadas para integrar dados heterogêneos (citocinas + expressão gênica) nem para identificar subpopulações com risco de resposta inflamatória exagerada. O foco aqui é predição de vias inflamatórias, não cinética de anticorpos.

Alternativa C — ❌ Incorreta

A simulação de dinâmica molecular estuda as interações físicas entre átomos e moléculas, sendo útil para analisar a estrutura tridimensional do antígeno vacinal e sua estabilidade. No entanto, não aborda a resposta do hospedeiro (inflamação) nem a variabilidade entre pacientes. É uma ferramenta de biofísica, não de modelagem de sistemas imunológicos.

Alternativa D — ❌ Incorreta

Algoritmos de alinhamento de sequências comparam sequências de DNA, RNA ou proteínas para identificar similaridades evolutivas ou funcionais. Não têm relação com a previsão de respostas inflamatórias em subpopulações. O enunciado não pede comparação genômica entre patógeno e hospedeiro, mas sim a integração de dados de expressão e citocinas para prever vias inflamatórias.

Alternativa E — ❌ Incorreta

Modelos de regressão linear são úteis para quantificar associações lineares entre variáveis, mas a alternativa explicitamente afirma "sem considerar interações celulares", o que a torna inadequada para prever respostas inflamatórias complexas, que dependem de redes de citocinas e células. Além disso, a regressão linear não captura relações não lineares nem a heterogeneidade entre subpopulações. Redes bayesianas são superiores nesse contexto por modelarem dependências condicionais e incerteza.

Gabarito: letra A