Num estudo inovadorOs investigadores do MIT e da Universidade de Tufts desenvolveram um método de aprendizagem automática (ML) para acelerar o processo de descoberta de medicamentos.
Existem vastas bibliotecas de medicamentos com milhares de milhões de compostos diferentes que podem tratar eficazmente tudo, desde o cancro às doenças cardíacas. A questão é: como é que os encontramos?
A descoberta de medicamentos tem sido tradicionalmente um processo de trabalho intensivo, com os cientistas a terem de testar cada composto potencial contra todos os alvos possíveis - um esforço moroso e dispendioso.
Para resolver este problema, os investigadores começaram a utilizar métodos computacionais para analisar bibliotecas de compostos de medicamentos. No entanto, esta abordagem continua a exigir muito tempo, uma vez que implica o cálculo da estrutura tridimensional de cada proteína-alvo com base na sua sequência de aminoácidos.
No entanto, a equipa do MIT e da Tufts concebeu uma nova abordagem baseada num modelo de linguagem de grande dimensão (LLM), que é o tipo de modelo que alimenta a IA como o ChatGPT. O modelo analisa grandes quantidades de dados para determinar quais os aminoácidos mais prováveis de combinar, tal como os modelos de linguagem como o ChatGPT analisam grandes volumes de texto para determinar quais as palavras que combinam entre si.
Este novo modelo, denominado ConPLexO modelo de análise de proteínas, que combina proteínas-alvo com potenciais moléculas de medicamentos sem calcular as estruturas das moléculas. O modelo permitiu aos investigadores analisar mais de 100 milhões de compostos num dia.
Bonnie Berger, Professora de Matemática Simons e directora do grupo de Computação e Biologia do Laboratório de Ciências da Computação e Inteligência Artificial (CSAIL) do MIT, afirmou: "Este trabalho responde à necessidade de um rastreio in silico eficiente e preciso de potenciais candidatos a medicamentos, e a escalabilidade do modelo permite rastreios em grande escala para avaliar os efeitos fora do alvo, a reorientação de medicamentos e a determinação do impacto das mutações na ligação aos medicamentos".
A IA simplifica o rastreio e o desenvolvimento de medicamentos
Um obstáculo fundamental neste domínio tem sido a tendência dos modelos existentes para não descartarem os compostos "chamarizes". Estes compostos são semelhantes a medicamentos bem sucedidos mas não interagem bem com o alvo. Para excluir os chamarizes, a equipa incorporou uma fase de treino que ajudou o modelo a distinguir entre os fármacos reais e os impostores.
Os investigadores testaram o modelo ConPLex, analisando uma biblioteca de cerca de 4700 moléculas candidatas a fármacos contra um conjunto de 51 enzimas conhecidas como proteínas quinases.
Depois de testarem experimentalmente 19 dos pares fármaco-proteína mais promissores, encontraram 12 com forte afinidade de ligação ao alvo.
Embora este estudo se tenha centrado principalmente em fármacos de pequenas moléculas, a equipa está a explorar a forma de aplicar esta abordagem a outros tipos de fármacos, como os anticorpos terapêuticos.
O modelo pode também efetuar análises de toxicidade a potenciais compostos de medicamentos, garantindo que não produzem efeitos secundários indesejados antes de serem testados em modelos animais.
Rohit Singh, investigador do CSAIL, afirma: "Parte da razão pela qual a descoberta de medicamentos é tão dispendiosa deve-se ao facto de ter elevadas taxas de insucesso. Se conseguirmos reduzir essas taxas de insucesso, dizendo logo à partida que este medicamento não é suscetível de resultar, isso poderá contribuir muito para reduzir o custo da descoberta de medicamentos".
Eytan Ruppin, chefe do Laboratório de Ciência de Dados sobre o Cancro do Instituto Nacional do Cancro, elogia a abordagem como um "avanço significativo na previsão da interação fármaco-alvo".
No final de maio, outra equipa de investigação do MIT construiu um modelo de rastreio de antibióticos que funcionou de forma semelhante a este.
A equipa utilizou a aprendizagem automática para explorar milhares de medicamentos existentes, localizando um composto específico que era eficaz contra superbactérias resistentes a antibióticos.
