Como a IA está quebrando os gargalos na descoberta de moléculas de pequeno porte

Os ensaios clínicos para o desenvolvimento de medicamentos são notoriamente lentos e caros, e apenas uma pequena fração dos candidatos a medicamentos é aprovada pelas autoridades reguladoras. Os gargalos extensos no processo tradicional de descoberta de medicamentos são muito familiares àqueles na indústria farmacêutica: A fase clínica alone leva cerca de uma década e representa quase três quartos dos custos de P&D, com o custo médio de desenvolvimento de um medicamento subindo para um valor assustador de $2,2 bilhões em 2024.

Talvez o mais crítico seja que a indústria farmacêutica tem lutado para prever com precisão os resultados bem-sucedidos do desenvolvimento durante o trabalho de fase inicial: Cerca de 80-90 por cento dos candidatos a medicamentos falham em ser aprovados, apesar dos muitos anos e do financiamento extensivo investido em seu desenvolvimento. A segurança do medicamento é um grande motivo para isso, com a toxicidade não antecipada responsável por cerca de 30 por cento das falhas no desenvolvimento de medicamentos.

As moléculas descobertas por IA são mais bem-sucedidas nos ensaios de Fase I

No entanto, dados emergentes sugerem que as abordagens de inteligência artificial e computacionais não estão apenas abordando esses desafios – elas estão fundamentalmente transformando nossa capacidade de prever resultados bem-sucedidos. As fases iniciais do desenvolvimento de novos medicamentos são particularmente cruciais – e é aqui que a IA e a química computacional podem ter o maior impacto.

Essas abordagens de IA e computacionais podem ajudar a encontrar terapias novas e eficazes para atingir as proteínas certas para tratar a doença na fase inicial de descoberta e otimização, em vez de mais tarde no processo, como tem sido o caso. A previsão de toxicidade computacional é particularmente útil nas fases iniciais da descoberta de medicamentos, pois pode excluir moléculas que provavelmente falharão nos ensaios clínicos. Encontrar os melhores medicamentos mais cedo – e descartar aqueles que não funcionarão – pode economizar uma década de pesquisa cara e aumentar a chance de que o medicamento passe pela fase de ensaio clínico.

Pesquisas recentes sobre empresas de biotecnologia nativas de IA revelam tendências encorajadoras que sugerem que as abordagens computacionais estão começando a superar alguns dos desafios mais fundamentais na descoberta de medicamentos. Por exemplo, uma análise publicada em Drug Discovery Today encontrou que as moléculas descobertas por IA são substancialmente mais bem-sucedidas do que as médias históricas da indústria nos ensaios de Fase I – atingindo uma taxa de sucesso de 80-90 por cento na Fase I, em comparação com uma média da indústria de 40-65 por cento.

Esse sucesso na fase inicial é particularmente significativo porque indica que as abordagens impulsionadas por IA estão resolvendo um dos desafios mais fundamentais na descoberta de medicamentos: projetar moléculas que possuem as múltiplas características necessárias para o desenvolvimento farmacêutico.

O poder da otimização de multiparâmetros

No coração dessa transformação está uma habilidade que a química computacional impulsionada por IA é muito melhor e mais rápida do que os humanos: a otimização de multiparâmetros, o processo de equilibrar múltiplas propriedades de um potencial medicamento ao mesmo tempo – como potência, segurança, especificidade, permeabilidade da barreira hematoencefálica e muitas outras. Isso torna mais preciso, rápido e eficiente projetar os candidatos mais promissores, mesmo que essas propriedades conflitem entre si.

As abordagens tradicionais para a descoberta de medicamentos podem otimizar apenas um parâmetro de cada vez, tornando difícil melhorar um aspecto sem afetar adversamente os outros. Por exemplo, um medicamento destinado a tratar tumores cerebrais precisa ser capaz de penetrar a barreira hematoencefálica para que possa atingir o cérebro. Mas um medicamento que cruza a barreira de forma eficiente pode não ser suficientemente seletivo sobre seu alvo, o que pode reduzir a eficácia do medicamento ou causar efeitos colaterais indesejados. As abordagens tradicionais podem otimizar questões como a permeabilidade da barreira hematoencefálica primeiro e abordar outras propriedades posteriormente, potencialmente empurrando problemas para a frente em vez de abordá-los no início do processo.

Enquanto isso, as ferramentas computacionais impulsionadas por IA mudam fundamentalmente a abordagem do projeto de medicamentos. Em vez da otimização sequencial que pode levar a falhas em estágios posteriores, a IA permite a otimização simultânea em todos os parâmetros críticos já na fase de descoberta. Com a IA, os pesquisadores podem alimentar dados sobre múltiplos constrangimentos e pedir aos algoritmos que encontrem uma molécula conhecida que funcione melhor com todos esses constrangimentos – ou gerar uma nova. Usando ferramentas de IA e aprendizado de máquina em rápida evolução para desenvolver candidatos a medicamentos ótimos mais rápido e com mais precisão, analisando simultaneamente múltiplos parâmetros, aumenta a probabilidade de sucesso e é eventualmente esperado para levar ao desenvolvimento de tratamentos mais eficazes, confiáveis e seguros para os pacientes.

As ferramentas computacionais baseadas em IA também podem aprender os requisitos únicos para diferentes áreas terapêuticas. Os algoritmos de IA podem incorporar esses requisitos nuances para gerar candidatos a medicamentos personalizados para doenças e órgãos-alvo específicos, em vez de simplesmente atender a critérios gerais para serem moléculas de medicamento. Por exemplo, um composto que visa tumores cerebrais enfrenta desafios de otimização diferentes daqueles projetados para a inflamação crônica associada à artrite, diabetes, aterosclerose e outras doenças.

Para verdadeiramente empoderar essas abordagens impulsionadas por IA, conjuntos de dados ultra-grandes de moléculas são necessários, tanto para a triagem quanto, mais importante, para treinar esses modelos. Quanto maior o conjunto de dados, mais espaço químico é coberto, o que também aumenta as chances de sucesso. Em vez de triar dezenas de milhares (ou mesmo alguns milhões) de moléculas e mover algumas dezenas para o desenvolvimento, os pesquisadores computacionais podem triar até dezenas de bilhões de moléculas.

O próximo passo: Integrando as abordagens de IA nos pipelines de desenvolvimento

Com o aumento da complexidade dessas abordagens, um desafio importante é a capacidade de executá-las em escala. Portanto, o próximo passo para aproveitar a IA na descoberta de medicamentos é incorporar ferramentas que permitam que o processo de descoberta seja escalado por meio do uso de agentes de IA – sistemas computacionais autônomos que podem realizar tarefas ou processos complexos sem intervenção humana constante.

Por exemplo, os agentes podem ser usados para coletar e analisar a quantidade necessária e constantemente crescente de informações e descartar os candidatos a medicamentos menos relevantes.

Uma vez que os agentes tenham sido treinados em muitos parâmetros, restrições químicas e outras variáveis relevantes, como níveis de toxicidade e requisitos da FDA, eles serão eventualmente capazes de fornecer aos pesquisadores os principais candidatos moleculares para qualquer doença.

O desafio da indústria farmacêutica agora não é se adotar a descoberta de medicamentos por IA, mas como integrá-la rapidamente e efetivamente nos pipelines de desenvolvimento existentes. Embora desafios permaneçam, as primeiras evidências sugerem que a IA e a química computacional detêm a chave para medicamentos melhores desenvolvidos de forma mais eficiente e que atingem mais pacientes mais rápido do que nunca.