Usando inteligência artificial avançada, pesquisadores desenvolveram um novo método para tornar o desenvolvimento de medicamentos mais rápido e eficiente. Em um novo artigo, Xia Ning , principal autora do estudo e professora de informática biomédica e ciência da computação e engenharia na Ohio State University , apresenta o DiffSMol, um modelo de IA generativo capaz de gerar estruturas 3D realistas de pequenas moléculas que podem servir como candidatos promissores a medicamentos. O DiffSMol funciona analisando as formas de ligantes conhecidos – moléculas que se ligam a alvos proteicos – e usando essas formas como condições para gerar novas moléculas tridimensionais que se ligam melhor aos alvos proteicos.
Os resultados do estudo mostraram que, quando usado para criar moléculas com potencial para acelerar o processo de fabricação de medicamentos, o DiffSmol tem uma taxa de sucesso de 61,4%, superando tentativas de pesquisa anteriores que obtiveram sucesso em cerca de 12% das vezes. “Usando formas bem conhecidas como condição, podemos treinar nosso modelo para gerar novas moléculas com formas semelhantes que não existem em bancos de dados químicos anteriores”, disse Ning. Assim que o DiffSMol aprende as formas desses ligantes, o modelo da equipe também pode adaptar essas novas moléculas para estimular certas características de ligação. De acordo com o artigo, isso sugere que o modelo poderia modificá-las para que tivessem propriedades semelhantes às de fármacos mais favoráveis, alterando aspectos como sua sintetizabilidade ou toxicidade.
Um medicamento leva cerca de uma década para ser desenvolvido e lançado no mercado, mas encurtar esse tempo pode abrir novos caminhos para o desenvolvimento de novos fármacos e agentes agroquímicos para uso em diversas indústrias. Principalmente, em comparação com os métodos computacionais existentes para o desenvolvimento de medicamentos, o DiffSMol leva apenas 1 segundo para gerar uma única molécula, disse Ziqi Chen, coautora do estudo e ex-aluna de doutorado em ciência da computação e engenharia na Universidade Estadual de Ohio. “Os modelos de IA generativa têm o potencial de agilizar substancialmente esse processo e melhorar a eficiência de custos”, disse Chen.
Para demonstrar as capacidades do DiffSMol, pesquisadores conduziram estudos de caso com moléculas usadas em dois alvos farmacológicos cruciais: uma chamada cinase 6 dependente de ciclina (CDK6), que pode regular os ciclos celulares e interromper o crescimento do câncer, e a neprilisina (NEP), usada em terapias que visam retardar a progressão do Alzheimer. Os resultados revelaram que as moléculas criadas pelo DiffSMol provavelmente seriam muito eficazes, disse Ning. “É muito encorajador para nós encontrar moléculas com propriedades ainda melhores do que os ligantes conhecidos”, disse ela. “Isso indica que nossos modelos desenvolvidos têm grande potencial para identificar bons candidatos a fármacos.”
Os pesquisadores também disponibilizaram o código do DiffSMol para uso de outros cientistas. No momento, o DiffSMol ainda só é capaz de gerar novas moléculas com base em formatos de ligantes previamente conhecidos, o que é uma limitação que a equipe espera superar em trabalhos futuros. Pesquisas futuras também terão como objetivo melhorar a capacidade do modelo de aprender com dados de moléculas complexas e gerar moléculas que exibam uma gama mais ampla de interações potenciais.
Apesar da necessidade de mais testes, a equipe prevê que os avanços contínuos na IA um dia permitirão que seu trabalho alcance novos patamares, em parte devido ao aumento global da popularidade da IA. “Hoje em dia, as pessoas estão aplicando esses modelos avançados à geração de moléculas, à química e a quase todas as áreas da ciência”, disse Ning. “Essa área cresce muito rápido e não vejo que vá desacelerar tão cedo.” O estudo foi publicado na Nature Machine Intelligence.
