Do Sangue ao
Dashboard

Por que este é um dos meus projetos favoritos

Genômica clínica é um campo fascinante. É onde dados encontram medicina de verdade. Cada linha de um CSV representa uma possível pista sobre o tumor de alguém. Cada pipeline que automatizamos pode acelerar o diagnóstico de um paciente real. Quando trabalhei neste projeto durante meu mestrado, fiquei impressionado com o potencial.

O melhor de tudo: é um campo relativamente novo e precisa de gente de dados. Hospitais e centros de pesquisa têm montanhas de dados genômicos, mas faltam profissionais que saibam SQL, Python e visualização. Se você já trabalha com analytics, suas habilidades transferem diretamente. Você não precisa ser biólogo. Você precisa saber transformar dados em insights.

Neste crash course, vou mostrar o projeto completo: do exame de sangue ao dashboard final. Vou te ensinar os conceitos de genética do câncer de forma prática, mostrar o pipeline de dados que construímos, e explicar como usamos cosine similarity para identificar pacientes anônimos. É a mesma técnica que sistemas de recomendação usam — quando a Netflix sugere filmes parecidos com o que você assistiu, ela está calculando similaridade entre perfis. Aqui, calculamos similaridade entre perfis genéticos. No final, você vai entender exatamente como suas skills de dados podem ser aplicadas em pesquisa médica.

Este é um campo verde, cheio de problemas interessantes para resolver, e com impacto real na vida das pessoas. Vamos lá.

Uma coleta simples de sangue pode detectar mutações de câncer antes de qualquer sintoma aparecer

Pense no seu sangue como um rio que passa por todos os tecidos do corpo. Quando um tumor cresce, ele libera pequenos pedaços de DNA nesse rio. As células cancerosas deixam um rastro químico. O desafio é conseguir ler esse rastro.

Entre 2021 e 2022, enquanto fazia meu mestrado na UC Davis, trabalhei com uma equipe do California Pacific Medical Center Research Institute (CPMC-RI) em San Francisco. Analisamos 655 amostras de sangue de pacientes com câncer. O objetivo era automatizar a identificação de mutações genéticas que indicam progressão ou remissão da doença.

Esse trabalho fez parte do Cancer Avatar Program, um programa de pesquisa que testa tratamentos em modelos vivos do tumor antes de aplicar no paciente. Publicamos os resultados em 2023 na revista científica Methods and Protocols. Você pode ler o artigo completo aqui.

O Problema

Mais de 600 relatórios de exames de sangue chegavam ao laboratório. Cada um precisava ser analisado manualmente, passo a passo:

• Cada relatório mostra 56 genes diferentes, com várias mutações em cada gene
• Para cada mutação, o relatório traz dois números: o VAF (quantidade de DNA tumoral) e o FATHMM (indica se a mutação é perigosa)
• O analista precisava revisar essas informações para identificar quais mutações realmente causam câncer
• Depois, precisava descobrir quais relatórios pertenciam ao mesmo paciente — o problema é que os relatórios vinham sem nome para proteger a privacidade
• Por fim, acompanhar a evolução: o tumor está crescendo? Regredindo? Surgiram novas mutações?

O gargalo: fazer tudo isso manualmente levava semanas. E quando você está tratando câncer, semanas podem fazer toda a diferença entre o sucesso do tratamento e a progressão da doença. Um paciente pode piorar significativamente enquanto espera os resultados da análise manual.

ctDNA, VAF, NGS: o vocabulário que conecta medicina e dados

ctDNA (DNA tumoral circulante): Quando um tumor cresce, algumas células morrem e liberam pedaços do seu DNA no sangue. Quanto mais agressivo o tumor, mais fragmentos de DNA circulam. O tumor deixa pistas químicas que podemos detectar em um simples exame de sangue.

Biópsia líquida: Um exame de sangue comum que substitui a biópsia tradicional (que precisa de cirurgia). O laboratório coleta sangue em tubos especiais que preservam o DNA circulante livre (ccfDNA - cell-free circulating DNA). É rápido e não invasivo.

Sequenciamento de Nova Geração (NGS): Uma tecnologia que lê milhões de pedaços de DNA ao mesmo tempo. No nosso estudo, focamos em 56 genes específicos que estão associados a diferentes tipos de câncer. Alguns exemplos:

• TP53: Conhecido como "guardião do genoma". Mutações nele estão presentes em mais de 50% dos cânceres (pulmão, mama, cólon, ovário).
• KRAS: Muito comum em cânceres de pâncreas (90% dos casos), pulmão e cólon. Mutações nele fazem as células crescerem descontroladamente. Possui hot spotsRegiões específicas do gene onde mutações ocorrem com muita frequência. Por exemplo, 95% das mutações de KRAS acontecem nos códons 12, 13 e 61. nos códons 12 e 13 (códon = posição específica no gene, como um endereço).
• EGFR: Importante em câncer de pulmão. Mutações nele ajudam a escolher o tratamento certo (algumas drogas funcionam só para pacientes com EGFR mutado).
• BRAF: Presente em melanoma (50% dos casos), cólon e tireoide. Também guia escolha de tratamento.
• PIK3CA, PTEN, AKT1: Regulam crescimento celular. Mutações neles estão em mama, próstata e outros cânceres.

Ao todo, esses 56 genes cobrem os principais tipos de câncer: mama, pulmão, cólon, pâncreas, próstata, ovário, melanoma, leucemias, entre outros. A ideia é detectar mutações nesses genes antes mesmo de o paciente ter sintomas.

VAF (Frequência Alélica de Variante): É o percentual de DNA tumoral no sangue. Imagine que você coleta 100 fragmentos de DNA. Se 5 deles têm a mutação do câncer, o VAF é 5%. Quanto maior o VAF, mais tumor circulando no sangue. A tecnologia moderna consegue detectar valores a partir de 1% (ou seja, 1 fragmento mutado em cada 100). Se você trabalha com dados, pense no VAF como um KPI: se ele sobe ao longo do tempo, o tumor está crescendo. Se desce, o tratamento está funcionando.

Mutação patogênica vs. neutra: Nem toda mutação causa câncer. Algumas são apenas variações normais do DNA (polimorfismos). Para classificar cada mutação, usamos um score chamado FATHMM (Functional Analysis Through Hidden Markov Models) que vai de 0 a 1. Esse algoritmo analisa se a mutação provavelmente afeta a função da proteína (proteínas são as moléculas que executam as funções na célula — quando uma proteína fica defeituosa, pode causar câncer). Acima de 0.8 é considerada patogênica (causa doença). Abaixo disso, provavelmente é neutra ou de significado incerto.

👆 Este é um exemplo real de como um relatório chega do sequenciador. Perceba que há 5 mutações detectadas, mas apenas 2 são patogênicas (KRAS e TP53 p.P152L). As outras são polimorfismos normais ou mutações sinônimas que não alteram a proteína.

A próxima seção mostra como construímos o pipeline de dados que automatiza essa separação.

Do relatório CSV ao dashboard: 5 etapas de transformação

Vou mostrar como transformamos os relatórios brutos em informação útil. São 5 etapas, cada uma resolvendo um problema específico.

Step 1 — Dados brutos (Genialis)

Os relatórios chegam em formato CSV (planilha) gerados pela plataforma Genialis (um software de análise genômica usado pelos laboratórios). Cada linha mostra uma mutação encontrada, com informações como: qual cromossomo (tipo chr7, chr17), posição exata no DNA (um número que funciona como endereço), qual gene foi afetado, qual a mudança na proteína, e a frequência dessa mutação (VAF).

Step 2 — Banco de referência (COSMIC)

COSMIC (Catalogue of Somatic Mutations in Cancer) é uma base de dados global que cataloga todas as mutações já encontradas em cânceres ao redor do mundo. Funciona como uma biblioteca: baixamos a lista completa de mutações conhecidas, filtramos para guardar só o essencial (nome do gene, tipo de mutação, se é patogênica ou neutra, e a pontuação FATHMM), e carregamos num banco MySQL local para consulta rápida.

Step 3 — Classificação de mutações

Aqui entra o script Python. Ele pega cada mutação do relatório, converte para o formato que o COSMIC entende (ex: "p.Cys275Tyr" vira "C275Y"), e busca essa mutação no banco de dados. O resultado é a classificação: patogênica ou neutra, com a pontuação FATHMM.

👆 Experimente selecionar diferentes combinações de gene e mutação. Compare as patogênicas (score alto) com as neutras (score baixo). Perceba como cada mutação tem uma explicação clínica específica.

Step 4 — Validação de qualidade

Nem todo relatório é confiável. Se um arquivo tem poucas mutações detectadas (menos de 32 combinações gene-mutação) ou muitas mutações por gene (mais de 0.25 de proporção), ele é marcado para revisão manual. Isso ajuda a detectar erros no sequenciamento ou amostras de sangue degradadas.

Step 5 — Resultado no banco

Por fim, todos os dados são salvos num banco MySQL organizado. Cada linha representa uma mutação classificada, com informações como: nome do arquivo original, gene afetado, tipo de mudança na proteína, frequência (VAF), classificação (patogênica/neutra), score FATHMM, e o ID do paciente (quando identificado).

Agora vem a parte mais desafiadora: como saber quais relatórios pertencem ao mesmo paciente quando todos chegam sem identificação?

Por que precisamos identificar o mesmo paciente ao longo do tempo?

Imagine esta situação real do nosso estudo:

A pergunta crítica: Essas 3 amostras são do mesmo paciente?

Se SIM: Essa é uma história de progressão do câncer. O médico precisa saber urgentemente que:

• O tratamento inicial funcionou (remissão em setembro)
• Mas o tumor voltou com mutações diferentes e mais agressivas
• KRAS p.G12D indica que o câncer pode estar se espalhando
• É hora de mudar o protocolo de tratamento

Se NÃO: São 3 pacientes diferentes. Não há história longitudinal. Cada amostra é um ponto isolado.

O problema: Os relatórios chegam sem o nome do paciente para proteger a privacidade. Só temos códigos anônimos (panc-0117, panc-0130, panc-0146). Como saber se pertencem à mesma pessoa?

É aqui que entra a análise de dados.

A Solução: Impressão Digital Genética

Cada pessoa tem um perfil genético único — é como uma impressão digital de DNA. Algumas mutações você herda dos seus pais (mutações germinaisMutações que você recebe dos seus pais no momento da concepção. Estão presentes em todas as células do corpo e não mudam ao longo da vida.), outras são apenas variações normais (polimorfismosVariações genéticas comuns na população que não causam doença. Por exemplo, genes que determinam cor dos olhos ou tipo sanguíneo.). Essas características genéticas não mudam ao longo da vida.

A sacada: Se dois relatórios mostram o mesmo perfil genético de base (aquelas mutações herdadas e polimorfismos), provavelmente são da mesma pessoa. É isso que usamos para fazer o matching.

Cosine similarity: Para comparar dois relatórios, transformamos cada um em um vetor matemático. Funciona assim: cada gene vira uma dimensão (56 genes = 56 dimensões). A intensidade em cada dimensão é a frequência da mutação (VAF). Depois, calculamos o ângulo entre esses dois vetores. Quanto menor o ângulo, mais parecidos são os perfis genéticos. É como comparar a "direção" dos dois relatórios no espaço matemático.

• Similaridade = 1.0 (100%): vetores idênticos → certamente o mesmo paciente
• Similaridade = 0.0 (0%): vetores completamente diferentes → certamente pacientes diferentes
• Limiar que usamos: ≥ 98% → 100% de acerto (nenhum erro)
• Zona cinzenta: 95-98% → pode ser a mesma pessoa, precisa revisar manualmente

Se você trabalha com dados: é exatamente a mesma técnica que sistemas de recomendação usam. A Netflix compara seu perfil de filmes assistidos com o perfil de outros usuários para recomendar o que você pode gostar. Aqui, comparamos o perfil genético de uma amostra com outras amostras para identificar se são do mesmo paciente.

K-means clustering: Para acelerar o processo (comparar 600 amostras uma a uma seria muito lento), primeiro dividimos as amostras em 2 grupos usando k-means (um algoritmo que agrupa itens similares). Assim, só comparamos amostras dentro do mesmo grupo. Se alguma amostra não encontra par no seu grupo, ela é movida para o outro grupo e comparada de novo.

Resultado: Testamos com 600 amostras, usando o limiar de 98% (ou seja, só consideramos "mesmo paciente" se a similaridade for ≥ 98%). Conseguimos zero falsos positivos — nenhuma vez dissemos que duas amostras eram do mesmo paciente quando na verdade eram de pessoas diferentes. Validamos isso comparando com 10% das amostras que já tinham identificação conhecida.

👆 Experimente modificar os valores de VAF e veja como a similaridade muda. Perceba que as amostras 0154 e 0161 têm perfis quase idênticos (score 0.99), indicando que são do mesmo paciente.

Visualizando os Resultados: Matriz de Similaridade

Agora vamos olhar para os resultados reais do nosso estudo. A matriz abaixo mostra a similaridade entre 7 amostras diferentes de pacientes com câncer de pâncreas. Cada célula mostra o score de similaridade (0-100%):

Voltando ao Caso Real

Lembra das 3 amostras que mostramos no início? panc-0117, panc-0130 e panc-0146?

Quando rodamos o algoritmo de similaridade, descobrimos que todas as 3 pertencem ao mesmo paciente (score > 0.98 em todas as comparações). Isso significa que:

1. Agosto 2021: Tumor detectado (FGFR3 mutação)
2. Setembro 2021: Remissão aparente (nenhuma mutação patogênica)
3. Novembro 2021: Recorrência com mutações mais agressivas (KRAS + TP53)

Impacto clínico: O médico agora tem uma linha do tempo completa da progressão do tumor. Ele sabe que o tratamento inicial não foi suficiente e que precisa escalar para uma terapia mais agressiva. Sem o matching de pacientes, essas seriam apenas 3 amostras isoladas, sem história.

Você consegue identificar a mutação patogênica?

Vamos testar o que você aprendeu até agora. Imagine que você recebeu um relatório de exame de sangue com estas mutações:

Ótimo! Agora você já entende os conceitos básicos. Vamos para a parte prática: como transformar esses dados em dashboards que ajudam médicos a tomar decisões mais rápidas.

Como transformamos dados genômicos em dashboards úteis

O Dashboard Final

Os dados processados pelo pipeline vão direto para um dashboard em Tableau. Ele tem três páginas principais:

👆 Este é o tipo de insight que o dashboard fornece. Ao invés de olhar para 3 relatórios CSV separados, o médico vê uma história completa: remissão seguida de recorrência agressiva. O sistema automaticamente detecta e alerta sobre novas mutações patogênicas.

O Cancer Avatar Project

Este trabalho faz parte de um programa maior: o Cancer Avatar Program do California Pacific Medical Center Research Institute (CPMC-RI), que faz parte da rede Sutter Health em San Francisco. O objetivo do programa é permitir tratamento personalizado para cada paciente com câncer. Para isso, eles combinam duas abordagens:

1. "Avatares" de tumor (PDX - Patient-Derived Xenografts): São modelos vivos do tumor de cada paciente, criados em camundongos. Pense assim: os pesquisadores pegam uma pequena amostra do tumor do paciente e transplantam para um camundongo. O tumor cresce no animal exatamente como cresceria no paciente. Com esses modelos, os médicos podem testar diferentes drogas antes de aplicar no paciente real. A taxa de acerto é de 87% quando comparada com o resultado no paciente.
2. Mapeamento genético do tumor: Usar exames de sangue para identificar as mutações genéticas e acompanhar como elas evoluem ao longo do tempo. Esse é o foco do nosso trabalho.

A ideia é simples: em vez de tratar todos os pacientes com câncer de pâncreas da mesma forma, usar dados para descobrir qual tratamento funciona melhor para cada pessoa. É medicina de precisão na prática.

O maior desafio: tempo

O programa enfrenta o mesmo obstáculo de todas as iniciativas de "avatar" ao redor do mundo: criar o modelo PDX leva meses, porque você precisa esperar o tumor crescer no camundongo. Pacientes com câncer agressivo podem piorar clinicamente antes que os resultados do avatar estejam prontos. É por isso que o monitoramento via exame de sangue é tão importante: ele dá respostas em minutos, não em meses.

Nosso papel no projeto

Nossa equipe era formada por cinco pesquisadores da UC Davis (Aleksandr Udalov, Lexman Kumar, Anna Gaudette, Ran Zhang e eu) trabalhando junto com os pesquisadores do CPMC-RI (Mehdi Nosrati, Sean McAllister e Pierre-Yves Desprez).

Nosso objetivo era resolver um gargalo específico: mais de 600 relatórios de exames de sangue chegavam ao laboratório e precisavam ser analisados manualmente. Cada relatório passava por identificação de mutações perigosas, classificação, e tentativa de agrupar por paciente. Esse processo levava semanas.

Construímos o pipeline automatizado que você viu neste crash course: coleta de sangue, classificação usando o banco COSMIC, identificação de pacientes usando cosine similarity, e dashboards em Tableau mostrando a evolução ao longo do tempo. Publicamos essa metodologia em 2023 na revista científica Methods and Protocols para que outras equipes de pesquisa possam replicar.

Estudos de Caso: Dados Reais

Caso A: Paciente com Câncer de Pâncreas

• ID do paciente: panc-3 (anônimo)
• 3 coletas de sangue ao longo do tratamento
• Coleta 1: Uma mutação foi detectada (FGFR3|LETM1 p.E712V) com VAF de 4.255%
• Coleta 2: O tumor parece estar em remissão (VAF baixo ou zero)
• Coleta 3: Apareceu uma nova mutação perigosa (KRAS p.G12D com VAF de 12.0%) junto com outra mutação em TP53 (VAF 9.666%)
• O que isso significa: O surgimento da mutação KRAS sugere que o tumor está crescendo de novo. O dashboard alertou a equipe médica para agir rapidamente.

Caso B: Paciente com Câncer Colorretal

• ID do paciente: crc-5 (anônimo)
• 3 coletas de sangue ao longo do tratamento
• Coleta 1: Duas mutações detectadas: BRAF p.V600E (VAF 7.19%) e TP53 p.C238Y (VAF 12.80%)
• Coleta 2: A mutação BRAF sumiu (remissão), mas a TP53 continua presente
• Coleta 3: Surgiu uma nova mutação (KRAS p.G60D com VAF de 1.20%)
• O que isso significa: Pode ser uma recorrência do tumor ou um novo grupo de células cancerosas com mutação diferente. O paciente precisa de acompanhamento imediato.

SQL, Python e similaridade que você já conhece aplicados em genômica

Se você já trabalha com dados, você tem 80% do que precisa para trabalhar em genômica clínica. Veja como suas habilidades atuais se transferem diretamente:

Na tabela acima, "Direta" significa que você usa a mesma técnica sem modificação. "Adaptação" significa que você precisa ajustar a técnica para o contexto de genômica (mas o conceito é o mesmo).

O que você precisa aprender:

Perceba que a parte técnica de dados (SQL, Python, dashboards) você já domina. O que falta aprender é o contexto de biologia molecular. E esse contexto pode ser adquirido em cerca de 20 horas de estudo. Você pode ser a ponte entre o laboratório e a equipe de dados.

🤖 Como GenAI Está Transformando Este Campo

Quando fizemos este projeto (2021-2022), tudo era manual e baseado em regras. Hoje, IA generativa está acelerando cada etapa do processo:

Exemplos práticos de como GenAI ajudaria no nosso projeto:

• Classificação de mutações: Em vez de buscar no banco COSMIC manualmente, um modelo de IA treinado especificamente para isso poderia classificar mutações instantaneamente, incluindo variantes raras que não estão catalogadas.
• Revisão de literatura automatizada: LLMs poderiam buscar artigos científicos recentes sobre KRAS p.G12D e resumir os tratamentos mais eficazes, economizando horas de pesquisa.
• Predição de resposta a tratamento: Modelos treinados em milhares de casos poderiam sugerir qual protocolo tem maior chance de funcionar para aquele perfil genético específico.
• Detecção de padrões: Modelos transformer conseguem identificar combinações complexas de mutações que humanos não percebem (ex: combinações de 3-4 mutações que indicam resistência a drogas).

Ferramentas GenAI para genômica que você pode aprender (todas têm APIs ou versões gratuitas):

• AlphaFold 3: Predição de estrutura de proteínas (entender como mutações afetam função). Usa deep learning para prever a forma 3D da proteína.
• Nucleotide Transformer: Modelo de linguagem para sequências de DNA (similar ao GPT, mas para DNA em vez de texto).
• GPT-4 API: Interpretação de variantes e geração de relatórios clínicos automatizados.
• Langchain + ChromaDB: Sistema RAG (Retrieval-Augmented Generation) sobre literatura médica para contextualizar mutações com papers recentes.

O que fazer amanhã de manhã

Caminhos de Carreira no Brasil

Este mercado está crescendo rápido no Brasil. Aqui estão opções reais de carreira com empresas que contratam:

Dica prática: Busque no LinkedIn por "bioinformática Brasil" ou "dados genômicos São Paulo". Muitas dessas vagas não são anunciadas publicamente. Entre em contato direto com recrutadores dessas empresas mostrando um projeto de portfólio (como o sugerido abaixo).

Projeto de Final de Semana

Quer começar agora? Aqui está um projeto prático que você pode fazer neste fim de semana:

1. Entre no cBioPortal (plataforma gratuita com dados genômicos de milhares de pacientes) e baixe dados públicos de algum tipo de câncer
2. Escolha um tipo de câncer que te interessa (por exemplo: BRCA para câncer de mama)
3. Filtre as mutações por gene e tipo (patogênicas vs. neutras)
4. Calcule o VAF (frequência alélica) de cada amostra
5. Monte um dashboard simples usando Streamlit ou Dash mostrando as mutações mais comuns
6. Publique no GitHub e use como projeto de portfólio

Você pode começar hoje, sem gastar nada, usando dados públicos e ferramentas gratuitas.