Destaque

Modelo de inteligência artificial encontra moléculas potenciais para fármacos mil vezes mais rapidamente

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

sexta-feira. 15 julho 2022 06:35

A totalidade do universo conhecido está repleta de um número infinito de moléculas. Mas que fração dessas moléculas tem características semelhantes a drogas que podem ser usadas para desenvolver tratamentos medicamentosos que salvam vidas? Milhões? Bilhões? Trilhões? A resposta: um novemdecilhão, ou 10⁶⁰ (dez elevado à sexagésima potência). Esse número gigantesco prolonga o processo de desenvolvimento de medicamentos para doenças de rápida disseminação como a COVID-19, porque está muito além do que os modelos de design de medicamentos existentes podem calcular. Para efeito de comparação, a Via Láctea tem cerca de 100 bilhões, ou 10¹¹, de estrelas.

Em um artigo apresentado na Conferência Internacional de Aprendizado de Máquina (ICML), pesquisadores do Instituto de Tecnologia de Massachusetts (MIT), nos Estados Unidos, desenvolveram um modelo geométrico de aprendizado profundo chamado EquiBind, que é 1.200 vezes mais rápido que um dos modelos computacionais de docking molecular mais rápidos existentes, o QuickVina2-W, na ligação com sucesso de moléculas semelhantes a drogas a proteínas. O EquiBind é baseado em seu antecessor, EquiDock, especializado em ligar duas proteínas usando uma técnica desenvolvida pelo Dr. Octavian-Eugen Ganea, pesquisador de pós-doutorado do Laboratório de Inteligência Artificial e Ciência da Computação do MIT – falecido recentemente –  também coautor do artigo sobre a técnica EquiBind.

Antes que o desenvolvimento de medicamentos possa ocorrer, os pesquisadores de medicamentos devem encontrar moléculas ‘semelhantes a medicamentos’ que sejam promissoras e possam se ligar ou se ‘acoplar’ adequadamente a certos alvos proteicos em um processo conhecido como descoberta de medicamentos. Depois de se acoplar com sucesso à proteína, o fármaco de ligação, também conhecido como ligante, pode impedir o funcionamento de uma proteína. Se isso acontecer com uma proteína essencial de uma bactéria, ela pode matar a bactéria, conferindo proteção à saúde humana.

No entanto, o processo de descoberta de medicamentos pode ser caro tanto financeiramente quanto computacionalmente, com bilhões de dólares investidos no processo e mais de uma década de desenvolvimento e testes antes da aprovação final da respectiva agência regulatória. Além disso, 90% de todos os medicamentos falham quando são testados em humanos devido à ausência de efeitos ou muitos efeitos colaterais. Uma das maneiras pelas quais as empresas farmacêuticas recuperam os custos dessas falhas é aumentando os preços dos medicamentos que são bem-sucedidos.

O processo computacional atual para encontrar moléculas promissoras candidatas a drogas considera modelos computacionais de última geração, que dependem de amostragem pesada de candidatos juntamente com métodos como pontuação, classificação e ajuste fino para obter o melhor ‘ajuste’ entre as ligante e a proteína.

Ao contrário da maioria dos modelos que exigem várias tentativas para encontrar uma posição favorável para o ligante na proteína, o EquiBind já possui raciocínio geométrico integrado que ajuda o modelo a aprender a física subjacente das moléculas e generalizar com sucesso para fazer melhores previsões ao encontrar dados novos.

A divulgação dessas descobertas atraiu rapidamente a atenção de profissionais do setor, incluindo o Dr. Pat Walters, diretor de dados da Relay Therapeutics. O Dr. Walters sugeriu que a equipe testasse seu modelo em uma proteína já existente usada para câncer de pulmão, leucemia e tumores gastrointestinais. Enquanto a maioria dos métodos tradicionais de docking não conseguiu relacionar com sucesso os ligantes que funcionariam nessa proteína, o EquiBind teve sucesso.

“O EquiBind fornece uma solução única para o problema de docking que incorpora tanto a previsão de pose quanto a identificação do sítio de ligação. Esta abordagem, que aproveita informações de milhares de estruturas cristalinas disponíveis publicamente, tem o potencial de impactar o campo [de desenvolvimento de fármacos] de novas maneiras”, concluiu o Dr. Pat Walters.

O resumo do artigo científico está publicado na forma de pré-impressão na Plataforma arXiv.

Acesse o resumo do artigo científico em pré-impressão (em inglês).

Acesse a notícia completa na página do Instituto de Tecnologia de Massachusetts (em inglês).

Fonte: Alex Ouyang, Abdul Latif Jameel Clinic for Machine Learning in Health/MIT. 

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.

Leia também