Como dar à IA uma 'intuição' de quais moléculas produzirão os melhores medicamentos

Intuição e IA formam um casal estranho.

A intuição é difícil de descrever. É esse pressentimento que o atormenta, mesmo que você não saiba por quê. Naturalmente construímos intuição por meio da experiência. Os sentimentos viscerais nem sempre estão certos; mas muitas vezes penetram em nosso subconsciente para complementar a lógica e o raciocínio na tomada de decisões.

A IA, por outro lado, aprende rapidamente ao digerir milhões de pontos de dados frios e concretos, produzindo resultados puramente analíticos – embora nem sempre razoáveis ​​– com base nas suas informações.

Agora, um novo estudo in Natureza das Comunicações casa com o par estranho, resultando em um sistema de aprendizado de máquina que captura a intuição de um químico para o desenvolvimento de medicamentos.

Ao analisar o feedback de 35 químicos da Novartis, uma empresa farmacêutica com sede na Suíça, a equipa desenvolveu um modelo de IA que aprende com a experiência humana numa fase notoriamente difícil do desenvolvimento de medicamentos: encontrar produtos químicos promissores compatíveis com a nossa biologia.

Primeiro, os químicos usaram a intuição para escolher qual dos 5,000 pares químicos tinha maior chance de se tornar uma droga útil. A partir desse feedback, uma rede neural artificial simples aprendeu suas preferências. Quando desafiado com novos produtos químicos, o modelo de IA deu a cada um deles uma pontuação que classificava se valia a pena ser desenvolvido como medicamento.

Sem quaisquer detalhes sobre as próprias estruturas químicas, a IA pontuou “intuitivamente” certos componentes estruturais, que muitas vezes ocorrem em medicamentos existentes, mais elevados do que outros. Surpreendentemente, ele também capturou propriedades nebulosas não explicitamente programadas em tentativas anteriores de modelagem computacional. Emparelhado com um modelo generativo de IA, como o DALL-E, o roboquímico projetou uma série de novas moléculas como possíveis pistas.

Muitos candidatos promissores a medicamentos basearam-se em “know-how coletivo”, escreveu a equipe.

O estudo é uma colaboração entre a Novartis e a Microsoft Research AI4Science, esta última com sede no Reino Unido.

Na toca do coelho químico

A maioria dos nossos medicamentos diários é feita de pequenas moléculas – Tylenol para a dor, metformina para o controle do diabetes, antibióticos para combater infecções bacterianas.

Mas encontrar essas moléculas é uma dor.

Primeiro, os cientistas precisam entender como funciona a doença. Por exemplo, eles decifram a cadeia de reações bioquímicas que causam uma forte dor de cabeça. Depois encontram o elo mais fraco da cadeia, que muitas vezes é uma proteína, e modelam a sua forma. Com a estrutura em mãos, eles identificam cantos e recantos onde as moléculas podem se prender para interromper a função da proteína, interrompendo assim o processo biológico - voilà, chega de dores de cabeça.

Graças a IA de previsão de proteínas, como AlphaFold, RoseTTAFold e suas ramificações, agora é mais fácil modelar a estrutura de uma proteína alvo. Encontrar uma molécula que se encaixe nela é outra questão. A droga não precisa apenas alterar a atividade do alvo. Também deve ser facilmente absorvido, espalhado pelo órgão ou tecido alvo e ser metabolizado e eliminado do corpo com segurança.

É aqui que entram os químicos medicinais. Esses cientistas são pioneiros na adoção de modelagem computacional. Há mais de duas décadas, a área começou a usar software para examinar bancos de dados enormemente grandes de produtos químicos em busca de pistas promissoras. Cada pista potencial é então avaliada por uma equipe de químicos antes de um maior desenvolvimento.

Através deste processo, os químicos medicinais constroem uma intuição que permite-lhes tomar decisões de forma eficiente ao analisar candidatos promissores a medicamentos. Parte de seu treinamento pode ser destilado em regras para os computadores aprenderem – por exemplo, esta estrutura provavelmente não passará para o cérebro; esse poderia danificar o fígado. Essas regras especializadas ajudaram na triagem inicial. Mas até agora, nenhum programa conseguiu captar as subtilezas e complexidades da sua tomada de decisão, em parte porque os químicos não conseguem explicá-la sozinhos.

Eu tenho um pressentimento

O novo estudo procurou capturar o inexplicável em um modelo de IA.

A equipe recrutou 35 químicos especialistas em vários centros da Novartis em todo o mundo, cada um com conhecimentos diferentes. Alguns trabalham com células e tecidos, por exemplo, outros com modelagem computacional.

A intuição é difícil de medir. Também não é exatamente confiável. Como base, a equipe projetou um jogo multijogador para avaliar se cada químico foi consistente em suas escolhas e se suas escolhas concordaram com as dos outros. Cada químico viu 220 pares de moléculas e fez uma pergunta intencionalmente vaga. Por exemplo, imagine que você está em uma campanha de triagem virtual e precisamos de um medicamento que possa ser tomado na forma de comprimido – qual molécula você prefere?

O objetivo era reduzir o pensamento excessivo, forçando os químicos a confiar na sua intuição para saber qual produto químico permanece e qual vai. Essa configuração difere das avaliações usuais, nas quais os químicos verificam propriedades moleculares específicas com modelos preditivos – ou seja, dados concretos.

Os químicos eram consistentes em seu próprio julgamento, mas nem sempre concordavam uns com os outros – provavelmente devido a experiências pessoais divergentes. No entanto, houve sobreposição suficiente para formar um padrão subjacente com o qual um modelo de IA pudesse aprender, explicou a equipe.

Em seguida, eles aumentaram o conjunto de dados para 5,000 pares de moléculas. As moléculas, cada uma marcada com informações sobre sua estrutura e outras características, foram usadas para treinar uma rede neural artificial simples. Com o treinamento, a rede de IA ajustou ainda mais seu funcionamento interno com base no feedback dos químicos, dando eventualmente uma pontuação a cada molécula.

Como verificação de sanidade, a equipe testou o modelo em pares químicos diferentes daqueles do conjunto de dados de treinamento. À medida que aumentaram o número de amostras de treinamento, o desempenho disparou.

Embora os programas de computador anteriores se baseassem em regras sobre o que constitui um medicamento promissor baseado na estrutura molecular, as pontuações do novo modelo não reflectiam directamente nenhuma destas regras. A IA capturou uma visão mais holística de um produto químico – uma abordagem totalmente diferente para descoberta de drogas do que o usado no software robótico clássico.

Usando a IA, a equipe examinou centenas de medicamentos aprovados pela FDA e milhares de moléculas de um banco de dados químicos. Mesmo sem formação explícita, o modelo extraiu estruturas químicas – chamadas “fragmentos” – que são mais passíveis de desenvolvimento como medicamentos. As preferências de pontuação da IA ​​correspondiam às das moléculas semelhantes a medicamentos existentes, sugerindo que tinha compreendido a essência do que constitui uma vantagem potencial.

Romance químico

A Novartis não é a primeira empresa a explorar um romance químico entre humanos e robôs.

Anteriormente, a empresa farmacêutica Merck também tocou em sua experiência interna para classificar os produtos químicos de acordo com uma característica desejável. Fora da indústria, um time na Universidade de Glasgow explorou o uso de robôs baseados na intuição para experimentos químicos inorgânicos.

Ainda é um estudo pequeno e os autores não podem descartar falácias humanas. Alguns químicos podem escolher uma molécula com base em preconceitos pessoais que são difíceis de evitar completamente. No entanto, a configuração poderia ser usada para estudar outras etapas na descoberta de medicamentos que são caras para serem concluídas experimentalmente. E embora o modelo seja baseado na intuição, os seus resultados podem ser reforçados por filtros baseados em regras para melhorar ainda mais o seu desempenho.

Estamos numa era em que a aprendizagem automática pode projetar dezenas de milhares de moléculas, explicou a equipa. Um químico assistente de IA, munido de intuição, poderia ajudar a restringir os candidatos na fase crítica inicial da descoberta de medicamentos e, por sua vez, acelerar todo o processo.

Crédito de imagem: Eugenia Kozyr / Unsplash

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: https://singularityhub.com/2023/11/03/how-to-give-ai-a-gut-feeling-for-which-molecules-will-make-the-best-drugs/