# Seal: modelo de IA mapeia regulação gênica no cérebro em desenvolvimento

> Pesquisadores apresentaram o Seal, uma estrutura de aprendizado por transferência que modela a expressão gênica e os efeitos de variantes no cérebro humano em desenvolvimento, cobrindo 26 regiões, 30 tipos celulares e 7 estágios de desenvolvimento. A ferramenta revelou variantes regulatórias em neurônios excitatórios fetais transitórios associadas ao autismo, oferecendo uma nova via para entender mecanismos de doenças neuropsiquiátricas.

Publicado em 2026-10-15 · https://invision.dreamvision.com.br/blog/seal-modelo-de-ia-mapeia-regulacao-genica-no-cerebro-em-desenvolvimento

## Pontos-chave
- O Seal é um framework de IA que modela regulação gênica no cérebro em desenvolvimento com resolução de 26 regiões, 30 tipos celulares e 7 estágios.
- Aplicado a GWAS, revelou arquiteturas regulatórias compartilhadas e distintas entre seis condições neuropsiquiátricas.
- No autismo, identificou variantes regulatórias de novo em neurônios excitatórios fetais transitórios.
- O código e os parâmetros treinados estão disponíveis publicamente no GitHub e no Zenodo.

## O que é o Seal e por que ele importa agora?
O Seal é um framework de inteligência artificial interpretável baseado em aprendizado por transferência (transfer learning) para modelar, a partir do genoma, a expressão gênica e os efeitos de variantes genéticas no cérebro humano em desenvolvimento.

Ele oferece resolução espaço-temporal, abrangendo 26 regiões cerebrais, 30 tipos celulares e 7 estágios de desenvolvimento, algo especialmente relevante porque muitos desses estágios e tipos celulares são transitórios e têm dados escassos.

A ferramenta chega em um momento em que a comunidade científica busca entender como a variação genética influencia a regulação gênica em tecidos em desenvolvimento, especialmente para condições neuropsiquiátricas que têm origem precoce.


## Como o Seal funciona e o que ele prevê?
O Seal utiliza uma abordagem de aprendizado por transferência para prever a expressão gênica a partir de sequências de DNA, integrando informações de contexto espaço-temporal.

As previsões do modelo fornecem interpretação mecanística ao conectar variantes genéticas a reguladores transcricionais específicos em cada contexto de região, tipo celular e estágio de desenvolvimento.

Isso permite não apenas prever o efeito de uma variante, mas também inferir quais fatores de transcrição ou programas regulatórios podem estar envolvidos.


## Quais foram as descobertas com dados de GWAS e autismo?
Ao aplicar o Seal a estudos de associação genômica ampla (GWAS), os pesquisadores identificaram arquiteturas regulatórias compartilhadas e distintas entre seis condições neuropsiquiátricas, alinhadas com trajetórias clínicas.

No cohort de autismo Simons Simplex Collection, usando dados de genoma completo, o Seal revelou um fardo significativo de variantes regulatórias de novo em neurônios excitatórios fetais transitórios.

Esses efeitos são específicos de tipo celular e estágio de desenvolvimento, destacando a importância de considerar a janela temporal e o contexto celular na interpretação de variantes.


## Por que a resolução espaço-temporal é um diferencial?
Muitos estudos de regulação gênica em humanos usam tecidos adultos ou misturas de células, perdendo informações sobre estágios transitórios do desenvolvimento.

O Seal preenche essa lacuna ao modelar explicitamente 26 regiões, 30 tipos celulares e 7 estágios, permitindo identificar efeitos que seriam mascarados em análises agregadas.

Isso é particularmente importante para o cérebro em desenvolvimento, onde tipos celulares transitórios podem ter papéis cruciais em doenças que se manifestam mais tarde.


## Quais são as limitações e o que não foi informado?
O artigo não informa o desempenho do Seal em comparação com outros modelos existentes, nem detalha o tamanho exato dos dados de treinamento ou a validação experimental das previsões.

Não foram divulgados números absolutos sobre a carga de variantes encontrada no cohort de autismo, nem a lista completa das seis condições neuropsiquiátricas analisadas.

Também não está claro se o modelo foi testado em outras populações além daquelas presentes nos dados públicos utilizados.


## O que isso muda para quem usa IA?
Para desenvolvedores e pesquisadores que trabalham com IA aplicada à genômica, o Seal representa mais um passo na direção de modelos de sequência que incorporam contexto biológico complexo, como espaço e tempo.

A disponibilidade do código e dos parâmetros treinados no GitHub e no Zenodo permite que outros grupos reproduzam e estendam o trabalho, algo valioso para a comunidade.

Na Invision, oferecemos acesso a múltiplos modelos de IA por meio de uma única chave, o que pode simplificar a integração de ferramentas como essa em pipelines de pesquisa, sem a necessidade de gerenciar várias contas ou provedores.


## Perguntas frequentes
### O que é o Seal e para que serve?
O Seal é um framework de IA que modela a expressão gênica e os efeitos de variantes genéticas no cérebro humano em desenvolvimento, com resolução espaço-temporal, permitindo prever impactos regulatórios em diferentes regiões, tipos celulares e estágios.

### Como o Seal foi aplicado no estudo do autismo?
Ele foi aplicado a dados de genoma completo do cohort Simons Simplex Collection e identificou um fardo significativo de variantes regulatórias de novo em neurônios excitatórios fetais transitórios, com efeitos específicos de célula e estágio.

### Quais condições neuropsiquiátricas foram analisadas?
O artigo menciona seis condições neuropsiquiátricas, mas não lista quais são. A partir das referências, é possível inferir que incluam autismo, esquizofrenia, transtorno bipolar, entre outras, mas isso não é confirmado no texto.

### Onde encontro o código e os dados do Seal?
O código está disponível no GitHub (FunctionLab/Seal) e os parâmetros treinados e dados para execução estão no Zenodo, conforme indicado no artigo.

### Quais são as limitações do Seal?
O artigo não detalha limitações específicas, mas por ser um modelo computacional, suas previsões precisam de validação experimental. Além disso, não foram divulgados números absolutos de desempenho ou comparações com outros métodos.

Fonte original: [Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal](https://www.nature.com/articles/s41593-026-02470-2) (Nature).
