Pesquisadores Visam Aumentar a Velocidade de Descoberta de Medicamentos Calculando Eficiências de Ligação Com IA

Pesquisadores do MIT desenvolveram recentemente uma nova técnica impulsionada por IA para acelerar a descoberta de medicamentos, aumentando a velocidade dos cálculos utilizados para avaliar a afinidade de ligação molecular de um medicamento.

Um medicamento deve ser capaz de se ligar a proteínas para realizar a tarefa para a qual foi projetado. Avaliar a capacidade de um medicamento de se ligar a proteínas é uma parte importante do processo de descoberta e triagem de medicamentos, e as técnicas de aprendizado de máquina podem reduzir o tempo gasto avaliando esse importante atributo do medicamento.

A equipe de pesquisa do MIT responsável por desenvolver a nova técnica de avaliação de medicamentos chama-a de DeepBAR. O DeepBAR combina algoritmos de aprendizado de máquina com cálculos de química tradicionais. O DeepBAR calcula o potencial de ligação de um candidato a medicamento e das proteínas-alvo desse medicamento. A nova técnica de análise fornece estimativas da capacidade de ligação de um medicamento substancialmente mais rápido do que os métodos tradicionais utilizados para avaliar afinidades de ligação, e espera-se que a técnica possa melhorar a velocidade da descoberta de medicamentos.

O potencial de ligação de um medicamento é quantificado por meio de uma métrica chamada energia livre de ligação, onde um número menor indica um maior potencial de ligação. Uma baixa pontuação de energia livre de ligação significa que um medicamento tem uma grande capacidade de competir com outras moléculas, preenchendo os papéis dessas moléculas e interrompendo a função normal de uma proteína. Há uma alta correlação entre a energia livre de ligação de um candidato a medicamento e a eficácia desse medicamento. No entanto, medir a energia livre de ligação pode ser bastante difícil.

Existem duas técnicas típicas utilizadas para medir energias livres de ligação. Um método é calcular a quantidade exata de energia livre de ligação, enquanto o outro é estimar a quantidade de energia livre de ligação. As estimativas são menos computacionalmente caras do que as medições exatas, mas obviamente vêm com uma perda de precisão.

O método DeepBAR utiliza uma fração do poder computacional dos métodos de medição exata, mas fornece estimativas altamente precisas de energias de ligação. O DeepBAR emprega a “razão de aceitação de Bennett”, que é o algoritmo normalmente utilizado para calcular a energia livre de ligação. A razão de aceitação de Bennett exige o uso de dois estados de referência/ponto final e uma variedade de estados intermediários (que são estados de ligação parcial). A abordagem DeepBAR tenta reduzir o número de cálculos necessários para estimar as energias de ligação, utilizando a razão de aceitação de Bennett ao lado de estruturas de aprendizado de máquina e modelos gerativos profundos. Os modelos de aprendizado de máquina geram um estado de referência para cada ponto final, e esses pontos finais são precisos o suficiente para que a razão de aceitação de Bennett possa ser implantada.

O modelo gerativo profundo projetado pela equipe de pesquisa do MIT é baseado em técnicas de visão computacional. Basicamente, o DeepBAR trata cada estrutura molecular que analisa como uma imagem, analisando as características da “imagem” para aprender com elas. A equipe de pesquisa teve que fazer alterações leves no algoritmo para acomodar a análise das estruturas tridimensionais, pois os algoritmos de visão computacional normalmente operam em imagens bidimensionais.

Em testes iniciais, o DeepBAR foi capaz de calcular a energia livre de ligação aproximadamente 50 vezes mais rápido do que as técnicas tradicionais. Ainda há trabalho a ser feito no modelo. Ele precisa ser validado contra dados experimentais mais complexos do que os dados relativamente simples nos quais foi inicialmente testado, que envolviam dados bastante simples. A equipe de pesquisa do MIT visa melhorar a capacidade do DeepBar de calcular energias livres de ligação para grandes proteínas, refinando o modelo com base em avanços recentes em ciência da computação.

O DeepBAR está longe de ser a primeira tentativa de aplicar IA ao pipeline de descoberta de medicamentos com o objetivo de aumentar a velocidade da descoberta de medicamentos. Muitos outros projetos de pesquisa também utilizaram IA para automatizar aspectos do pipeline de descoberta de medicamentos e melhorar sua eficiência. No entanto, pode haver um gargalo natural que limite a eficácia dessas estratégias.

Como Derek Lowe recentemente argumentou em um blog no ScienceMag.org, se o objetivo é melhorar a velocidade da descoberta de medicamentos, é importante “atacar os problemas certos”. A avaliação da eficácia clínica e segurança dos medicamentos leva um tempo substancial, e encontrar maneiras de usar IA para reduzir as taxas de falha clínica é difícil. Em última análise, pode haver um limite inferior no tempo que os métodos de IA podem economizar em termos de descoberta de medicamentos, pelo menos até que a IA possa ser significativamente integrada ao processo de avaliação clínica. No entanto, melhorias são melhorias, e quanto mais pesquisas como o DeepBAR forem realizadas, mais tempo os cientistas terão para considerar maneiras de usar IA em outras áreas do pipeline de descoberta de medicamentos.