Investigadores do MIT utilizaram modelos de aprendizagem profunda para descobrir a primeira nova classe de antibióticos em décadas. Os antibióticos daí resultantes poderiam virar a maré contra as bactérias resistentes aos medicamentos.
Quando Alexander Fleming descobriu a penicilina, o primeiro antibiótico do mundo, estava consciente dos perigos associados.
No seu discurso de aceitação do Prémio Nobel em 1945, Fleming disse: "Depois, há o perigo de o homem ignorante poder facilmente subdosear-se e, ao expor os seus micróbios a quantidades não letais do medicamento, torná-los resistentes".
À medida que foram sendo desenvolvidos novos antibióticos, a utilização indevida e as prescrições incorrectas levaram a que as bactérias a que se destinavam se tornassem gradualmente resistentes a estes medicamentos anteriormente eficazes.
A equipa que o Dr. Jim Collins dirige na O Laboratório Collins no MIT iniciou o projeto Antibiotics-AI em 2020 para resolver este problema. O projeto tem um plano de sete anos para desenvolver sete novas classes de antibióticos para tratar sete dos agentes patogénicos bacterianos mais mortais do mundo.
Os seus esforços na utilização da aprendizagem automática começaram a dar frutos, uma vez que o seu trabalho anunciou a descoberta de uma nova classe de antibióticos capazes de matar a bactéria Staphylococcus aureus resistente à meticilina (MRSA). As infecções por MRSA resistentes aos medicamentos matam cerca de 10.000 pessoas todos os anos só nos EUA.
As empresas farmacêuticas não direccionam grande parte da sua investigação para os antibióticos porque não são tão lucrativos como outros medicamentos. Também se tornou cada vez mais difícil descobrir novos antibióticos. A IA tornou isso muito mais fácil.
Modelos de aprendizagem profunda
O desafio de criar um novo antibiótico é que existem quase infinitos arranjos moleculares e é difícil saber qual deles matará uma bactéria específica. Para complicar a situação, os investigadores têm de se certificar de que o novo composto também não mata as células saudáveis.
A equipa do MIT criou uma base de dados com 39.000 compostos diferentes e os seus efeitos no Staphylococcus aureus. Também incorporou a citotoxicidade dos compostos, registando os seus efeitos nas células humanas do fígado, do músculo esquelético e do pulmão.
Foram também adicionadas ao conjunto de dados informações sobre as estruturas químicas dos compostos, que foram depois utilizadas para treinar um modelo de IA de aprendizagem profunda.
Com base no grande conjunto de dados, o modelo foi capaz de aprender quais as estruturas químicas com maior probabilidade de matar as bactérias, evitando efeitos adversos nas células saudáveis.
Uma vez treinado, o modelo de IA foi utilizado para analisar 12 milhões de compostos disponíveis no mercado. O modelo identificou moléculas de cinco classes diferentes que, segundo as suas previsões, matariam a bactéria MRSA.
Com base nessa lista significativamente reduzida de compostos candidatos, os investigadores obtiveram 280 compostos para testar contra a bactéria MRSA cultivada numa placa de laboratório. Os seus testes levaram à descoberta de que dois dos compostos reduziam o MRSA por um fator de 10.
IA explicável
Os modelos de IA dão-nos muitas vezes respostas úteis, mas podem ser caixas negras inescrutáveis, não nos permitindo perceber como chegam à resposta.
Felix Wong, um pós-doutorado no MIT e em Harvard e um dos principais autores do estudo, juntamente com Erica Zheng, disse: "O que nos propusemos fazer neste estudo foi abrir a caixa negra. Estes modelos são constituídos por um grande número de cálculos que imitam as ligações neuronais e ninguém sabe realmente o que se passa por detrás do capô".
Compreender o que levou o modelo a selecionar os compostos que seleccionou daria aos investigadores uma melhor ideia de onde procurar medicamentos mais eficazes. A equipa de investigação utilizou um algoritmo de pesquisa em árvore de Monte Carlo adaptado para ter uma ideia do processo de tomada de decisão do seu modelo de aprendizagem profunda.
O Dr. Collins explicou: "A ideia aqui foi que podíamos ver o que estava a ser aprendido pelos modelos para fazer as suas previsões de que certas moléculas seriam bons antibióticos".
Para além do MIT, a investigação também contou com a contribuição do Broad Institute, da Integrated Biosciences, do Wyss Institute for Biologically Inspired Engineering e do Leibniz Institute of Polymer Research em Dresden, Alemanha.
A utilização da IA para analisar milhões de potenciais arranjos químicos está a ter um enorme impacto na descoberta de medicamentos. Para o Collins Lab, é um caso de "um já foi, faltam seis" e parece que o seu projeto de sete anos pode ter tempo de sobra.
