Terapia de fago de precisão na era IA/ML: uma revisão sistemática das evidências de descoberta para tradução clínica

O que aconteceu

Na terapia de fago de precisão, inteligência artificial e aprendizado de máquina (AI/ML) está sendo aplicado para detecção de fago, anotação de genomas/proteoma, predição do hospedeiro, perfilação de resistência e otimização terapêutica. No entanto, a paisagem continua fragmentada devido à falta de síntese sistemática da sua maturidade translacional, robustez metodológica e cobertura de gasodutos. Realizamos uma revisão sistemática das ferramentas de IA/ML relevantes para a terapia de fago de precisão. Web of Science, PubMed, MEDLINE, Scopus e IEE Xplore foram utilizados para identificar registros. Dos 6.969 registros identificados, 2.214 duplicatas foram retiradas, restando 4.755 registros únicos para triagem título/abstrato; 510 artigos completos foram avaliados para elegibilidade e 128 estudos foram incluídos na síntese final. Os estudos foram classificados em nove módulos de precisão phage therapy pipeline por família arquitetônica, maturidade de validação, acessibilidade, prontidão translacional (AI PTRL) e qualidade metodológica utilizando um framework PROBAST adaptado. Os 128 estudos incluídos foram publicados entre 2012 e 2025, com mediana do ano de publicação de 2023 e pico de atividade de 2022-2025. A grande maioria foram estudos metodológicos/de desenvolvimento de ferramentas (115/128, 89,8%) e estes descreveram predominantemente validação in silico (101/128, 78,9%). A cobertura do gasoduto foi desigual, com maior concentração na faixa hospedeira e determinantes de interação (M4, 43/128, 33,6%) e anotação genoma/proteína e inferência funcional (M3, 33/128, 25,8%). A triagem de segurança, o desenho terapêutico e os módulos de infraestrutura foram comparativamente sub-representados. Do ponto de vista arquitetônico, sistemas híbridos/integrados (SHI) (39/128, 30,5%) e aprendizado clássico de máquina (LMC) (38/128, 29,7%) foram as abordagens mais comuns com diversificação substancial após 2022. A prontidão translacional geral foi modesta (AI PTRL mediana: 6, IQR 4-6). A avaliação metodológica demonstrou alto risco de viés de avaliação (104/128, 81,2%) e preocupação substancial com o desenvolvimento (88/128, 68,8%), especialmente no Domínio 4 (análise). AI/ML para terapia de fago de precisão é um campo que cresce rapidamente e diversifica, particularmente na predição de interação entre hospedeiros, porém os esforços ainda são limitados para tarefas de terapia de fago precisa a jusante. A validação experimental e a implantação do mundo real permanecem limitadas com limitações metodológicas devido ao desenho analítico e abordagens avaliativas. O trabalho futuro deve priorizar quadros de validação rigorosos, conjuntos de dados representativos de maior qualidade e mais completos, rastreamento de segurança mais forte, otimização terapêutica e suporte de decisão clinicamente acionável.