Prospecção de peptídeos antimicrobianos baseada em aprendizado profundo em dados metagenômicos do lago Guaíba durante e após a enchente de 2024

Abstract

A resistência a antimicrobianos (AMR) é reconhecida como uma pandemia silenciosa crítica, exacerbada pelo uso indevido de antibióticos e pela dispersão ambiental de genes de resistência a antimicrobianos (ARGs). Eventos ambientais extremos, como as enchentes de 2024 no Rio Grande do Sul, Brasil, podem impulsionar mudanças nas comunidades microbianas e a mobilização de determinantes de resistência em ecossistemas aquáticos. Em resposta a tais pressões ecológicas, os microrganismos podem produzir Peptídeos Antimicrobianos (AMPs) como mecanismos primários de defesa e competição. Além disso, essas pressões seletivas, frequentemente agravadas por perturbações induzidas pelas mudanças climáticas, aceleram a evolução e a seleção dessas defesas químicas microbianas. Dada a complexidade molecular decorrente desses desastres ambientais, o Aprendizado de Máquina (ML) surgiu como uma abordagem moderna para reconhecer padrões biológicos complexos em AMPs. Dentro deste campo, modelos de Aprendizado Profundo (DL) têm demonstrado desempenho superior ao identificar automaticamente motivos bioativos e padrões funcionais diretamente de dados metagenômicos brutos. Neste contexto, este trabalho partiu da hipótese de que o estresse ecológico e as perturbações físico-químicas causadas pela inundação de 2024 no Rio Grande do sul no Lago Guaíba expuseram a comunidade microbiana local com um vasto conteúdo potencial biotecnológico, sendo uma fonte promissora para a descoberta de novos candidatos a AMPs. Para testar essa hipótese, este estudo teve como objetivo prospectar e caracterizar in silico AMPs a partir de dados metagenômicos do Lago Guaíba coletados durante e após as enchentes de 2024, avaliando sua diversidade, origem taxonômica e estabilidade estrutural. Empregando a abordagem baseada em modelos de DL, obteve-se a identificação de 179 candidatos a AMPs (c_AMPs) não tóxicos e não hemolíticos, dos quais 73 sequências (40,8%) tiveram uma identidade menor ou igual a 40% a sequências do banco de dados de referência DRAMP, evidenciando um elevado índice de ineditismo molecular. Os resultados sugerem que o ambiente gravemente impactado abriga uma diversidade bioquímica singular e ainda não mapeada. Esses c_AMPs inéditos despontam como novos candidatos para substituir ou complementar antibióticos tradicionais, indicando que tais moléculas podem auxiliar no combate à AMR e validando o pipeline computacional como uma ferramenta eficaz para a descoberta de biomoléculas.

Antimicrobial resistance is recognized as a critical silent pandemic, exacerbated by the misuse of antibiotics and the environmental dispersion of antimicrobial resistance genes (ARGs). Extreme environmental events, such as the 2024 floods in Rio Grande do Sul, Brazil, can drive shifts in microbial communities and the mobilization of resistance determinants in aquatic ecosystems. In response to such ecological pressures, microorganisms can produce Antimicrobial Peptides (AMPs) as primary defense and competition mechanisms. Furthermore, these selective pressures, often compounded by climate change-induced disturbances, accelerate the evolution and selection of these microbial chemical defenses. Given the molecular complexity resulting from these environmental disasters, Machine Learning (ML) has emerged as a modern approach to recognize complex biological patterns in AMPs. Within this field, Deep Learning (DL) models have demonstrated superior performance by automatically identifying bioactive motifs and functional patterns directly from raw metagenomic data. In this context, this work targeted the hypothesis that the ecological stress and physicochemical disturbances caused by the 2024 flood in Rio Grande do Sul at Guaíba Lake exposed the local microbial community to a vast potential biotechnological content, serving as a promising source for discovering new antimicrobial peptide candidates. To test this hypothesis, this study aimed to prospect and characterize in silico antimicrobial peptides from metagenomic data collected from Guaíba Lake during and after the 2024 floods, assessing their diversity, taxonomic origin, and structural stability. Employing a DL model-based approach, 179 non-toxic and non-hemolytic AMP candidates (c_AMPs) were identified, of which 73 sequences (40.8%) shared less than or equal to 40% identity with reference database sequences (DRAMP), highlighting a high rate of molecular novelty. The findings suggest that the severely impacted environment harbors a unique and unmapped biochemical diversity. These novel c_AMPs emerge as promising candidates to replace or complement traditional antibiotics, indicating that these molecules can aid in the fight against antimicrobial resistance (AMR) while validating the computational pipeline as an effective tool for biomolecule discovery.