Notícia

Aprendizado de Máquina pode revelar novos medicamentos potenciais para a tuberculose

Método computacional para a triagem de compostos de drogas pode ajudar a prever quais funcionariam melhor contra a tuberculose ou outras doenças

Getty Images

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

quarta-feira, 21 outubro 2020 18:55

Áreas

Desenvolvimento de Fármacos. Doenças Infecciosas. Inteligência Artificial.

O aprendizado de máquina é uma ferramenta computacional usada por muitos biólogos e farmacêuticos para analisar grandes quantidades de dados, ajudando-os a identificar novos medicamentos em potencial. Recentemente, pesquisadores do Instituto de Tecnologia de Massachusetts (MIT), nos Estados Unidos, incorporaram um novo recurso a esses algoritmos de aprendizado de máquina, melhorando sua capacidade de fazer previsões.

Usando essa nova abordagem, que permite que modelos de computador levem em conta a incerteza nos dados que estão analisando, a equipe do MIT identificou vários compostos promissores que têm como alvo uma proteína exigida pela bactéria que causa a tuberculose.

Este método, que já foi usado por cientistas da computação, mas não decolou na biologia, também pode ser útil no desenvolvimento de proteínas e em muitos outros campos da biologia, segundo a Dra. Bonnie Berger, a professora do Departamento de Matemática e chefe do grupo de Computação e Biologia no Laboratório de Ciência da Computação e Inteligência Artificial do MIT. “Essa técnica faz parte de uma área conhecida do aprendizado de máquina, mas as pessoas não a trouxeram para a biologia. Esta é uma mudança de paradigma e é absolutamente como a exploração biológica deve ser feita”, destacou a pesquisadora.

A Dra. Bonnie Berger e o Dr. Bryan Bryson, professor de Engenharia Biológica do MIT, estão entre os autores do estudo, publicado na revista científica Cell Systems.

Melhores previsões

O aprendizado de máquina é um tipo de modelagem computacional em que um algoritmo aprende a fazer previsões com base em dados que são fornecidos. Nos últimos anos, os biólogos começaram a usar o aprendizado de máquina para vasculhar enormes bancos de dados de compostos de drogas potenciais para encontrar moléculas que interagem com alvos específicos.

Uma limitação desse método é que, embora os algoritmos tenham um bom desempenho quando os dados que estão analisando são semelhantes aos dados nos quais foram treinados, eles não são muito bons em avaliar moléculas muito diferentes das que já foram analisadas.

Para superar isso, os pesquisadores usaram uma técnica chamada processo gaussiano para atribuir valores de incerteza aos dados em que os algoritmos são treinados. Dessa forma, quando os modelos estão analisando os dados de treinamento do algoritmo, eles também levam em consideração o quão confiáveis ​​são essas previsões.

Por exemplo, se os dados que vão para o modelo preveem com que força uma molécula particular se liga a uma proteína alvo, bem como a incerteza dessas previsões, o modelo pode usar essas informações para fazer previsões de interações proteína-alvo que não foram analisadas antes. O modelo também estima a certeza de suas próprias previsões. Ao analisar novos dados, as previsões do modelo podem ter menor certeza para moléculas que são muito diferentes daquelas de treinamento. Os pesquisadores podem usar essas informações para ajudá-los a decidir quais moléculas testar experimentalmente.

Outra vantagem dessa abordagem é que o algoritmo requer apenas uma pequena quantidade de dados de treinamento. Neste estudo, a equipe do MIT treinou o modelo com um conjunto de dados de 72 pequenas moléculas e suas interações com mais de 400 proteínas chamadas de proteínas quinases. Eles foram então capazes de usar esse algoritmo para analisar cerca de 11.000 pequenas moléculas, que tiraram do banco de dados ZINC, um repositório disponível publicamente que contém milhões de compostos químicos. Muitas dessas moléculas eram muito diferentes daquelas nos dados de treinamento.

Usando essa abordagem, os pesquisadores foram capazes de identificar moléculas com afinidades de ligação previstas muito fortes para as proteínas quinases que colocaram no modelo. Estas incluíram três quinases humanas, bem como uma quinase encontrada na Mycobacterium tuberculosis. Essa quinase, PknB, é crítica para a sobrevivência da bactéria, mas não é alvo de nenhum antibiótico da linha de frente para TB.

Acesse o artigo científico completo (em inglês).

Acesse a notícia completa na página do MIT (em inglês).

Fonte:  MIT News Office. Imagem: Getty Images.

Em suas publicações, o Canal Farma da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Canal Farma tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.

Os comentários constituem um espaço importante para a livre manifestação dos usuários, desde que cadastrados no Canal Farma e que respeitem os Termos e Condições de Uso. Portanto, cada comentário é de responsabilidade exclusiva do usuário que o assina, não representando a opinião do Canal Farma, que pode retirar, sem prévio aviso, comentários postados que não estejam de acordo com estas regras.

Leia também

2020 Canal Farma | Portal de Notícias, Conteúdos e Rede Profissional em Ciências Farmacêuticas, Tecnologias e Saúde da Rede T4H.

Entre em Contato

Enviando

Fazer login com suas credenciais

ou    

Esqueceu sua senha?

Create Account