Notícia

Pesquisadores identificam nova classe de candidatos a antibióticos

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

quinta-feira, 28 dezembro 2023 12:40

Áreas

Bacteriologia. Bioinformática. Biologia. Biomedicina. Biotecnologia. Computação. Desenvolvimento de Fármacos. Engenharia Biológica. Imunologia. Indústria Farmacêutica. Inteligência Artificial. Microbiologia. Química Medicinal.

Usando aprendizagem profunda – um tipo de inteligência artificial (IA) – pesquisadores do Instituto de Tecnologia de Massachusetts (MIT) descobriram uma classe de compostos que podem matar uma bactéria resistente a medicamentos que causa mais de 10.000 mortes nos Estados Unidos todos os anos.

Em um estudo publicado na revista científica Nature, os pesquisadores mostraram que estes compostos podem matar Staphylococcus Aureus Resistente à Meticilina (MRSA) cultivada em laboratório e em dois modelos de camundongos com infecção por MRSA. Os compostos também apresentam toxicidade muito baixa contra células humanas, o que os torna candidatos a medicamentos particularmente interessantes.

Uma inovação importante do estudo é que os pesquisadores também conseguiram descobrir que tipos de informação o modelo de aprendizagem profunda utiliza para fazer as suas previsões sobre a potência dos antibióticos. Este conhecimento poderá ajudar a conceber medicamentos adicionais que possam funcionar ainda melhor do que os identificados pelo modelo.

“A ideia aqui foi que pudemos ver o que estava sendo aprendido pelos modelos para fazer suas previsões de que certas moléculas seriam bons antibióticos. Nosso trabalho fornece uma estrutura que é eficiente em termos de tempo, recursos e mecanicamente perspicaz, do ponto de vista da estrutura química, de maneiras que não tivemos até agora”, disse o Dr. James Collins, professor de Engenharia Médica e Engenharia Biológica do MIT.

O Dr. Felix Wong, pós-doutorando no Broad Institute do MIT e Harvard, e a Dra. Erica Zheng, ex-aluna da Escola Médica de Harvard orientada pelo professor James Collins, são os principais autores do estudo, que faz parte do Antibiotics-AI Project no MIT. A missão do projeto, liderado pelo professor Collins, é descobrir novas classes de antibióticos contra sete tipos de bactérias mortais, ao longo de sete anos.

Previsões explicáveis

O MRSA costuma causar infecções de pele ou pneumonia. Casos graves podem levar à sepse, uma infecção da corrente sanguínea potencialmente fatal.

Nos últimos anos, os pesquisadores do MIT começaram a usar o aprendizado profundo para tentar encontrar novos antibióticos. O seu trabalho produziu potenciais medicamentos contra Acinetobacter baumannii, uma bactéria frequentemente encontrada em hospitais, e muitas outras bactérias resistentes aos medicamentos.

Esses compostos foram identificados usando modelos de aprendizagem profunda que podem aprender a identificar estruturas químicas associadas à atividade antimicrobiana. Esses modelos então analisam milhões de outros compostos, gerando previsões sobre quais deles podem ter forte atividade antimicrobiana.

Estes tipos de pesquisas revelaram-se frutíferos, mas uma limitação desta abordagem é que os modelos são ‘caixas pretas’, o que significa que não há forma de saber em que características o modelo baseou as suas previsões. Se os cientistas soubessem como os modelos fazem suas previsões, seria mais fácil para eles identificar ou conceber antibióticos adicionais.

“O que pretendemos fazer neste estudo foi abrir a caixa preta”, disse o Dr. Felix Wong. “Esses modelos consistem em um grande número de cálculos que imitam conexões neurais, e ninguém sabe realmente o que está acontecendo nos bastidores”.

Primeiro, os pesquisadores treinaram um modelo de aprendizagem profunda usando conjuntos de dados substancialmente expandidos. Eles geraram esses dados de treinamento testando cerca de 39 mil compostos quanto à atividade antibiótica contra MRSA e, em seguida, alimentaram o modelo com esses dados, além de informações sobre as estruturas químicas dos compostos.

“Você pode representar basicamente qualquer molécula como uma estrutura química e também dizer ao modelo se essa estrutura química é antibacteriana ou não. O modelo é treinado em muitos exemplos como este. Se você der a ele qualquer nova molécula, um novo arranjo de átomos e ligações, isso poderá indicar a probabilidade de que esse composto seja considerado antibacteriano”, explicou o Dr. Wong.

Para descobrir como o modelo estava fazendo suas previsões, os pesquisadores adaptaram um algoritmo conhecido como busca de Monte Carlo, que tem sido usado para ajudar a tornar outros modelos de aprendizagem profunda, como o AlphaGo, mais explicáveis. Este algoritmo de busca permite que o modelo gere não apenas uma estimativa da atividade antimicrobiana de cada molécula, mas também uma previsão de quais subestruturas da molécula provavelmente são responsáveis por essa atividade.

Acesse o resumo do artigo científico (em inglês).

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

Fonte: Anne Trafton, MIT News. Imagem: Staphylococcus aureus. Fonte: scientificanimations.com via Wikimedia Commons.

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.