Um novo pipeline de ferramentas de IA e simulação pode tornar o processo de triagem de candidatos a medicamentos para COVID-19 50, 000 vezes mais rápido.

Para encontrar um medicamento que pode interromper o vírus SARS-CoV-2, os cientistas querem examinar bilhões de moléculas para a combinação certa de propriedades. O processo geralmente é arriscado e lento, frequentemente levando vários anos. Contudo, uma equipe internacional de cientistas afirma ter encontrado uma maneira de tornar o processo 50, 000 vezes mais rápido usando inteligência artificial (IA).

Dez organizações, incluindo o Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE), desenvolveram um pipeline de IA e técnicas de simulação para acelerar a descoberta de candidatos a drogas promissores para COVID-19, a doença causada pelo vírus SARS-CoV-2. O pipeline é denominado IMPECCABLE, abreviação de Integrated Modeling PipelinE for COVID Cure avaliando melhores leads.

"Com a IA que implementamos, conseguimos rastrear quatro bilhões de candidatos potenciais a drogas em apenas um dia, enquanto as ferramentas computacionais existentes podem realmente rastrear de um a 10 milhões, "disse Thomas Brettin, gerente de programa estratégico na Argonne.

Por que uma abordagem integrada é necessária

IMPECCABLE integra várias técnicas para processamento de dados, modelagem e simulação baseadas na física, e aprendizado de máquina, uma forma de IA que usa padrões em dados para gerar modelos preditivos.

"Integramos várias abordagens porque não há um único algoritmo ou método que possa funcionar sozinho com grande eficiência e precisão, "disse o biólogo computacional Argonne, Arvind Ramanathan." Se apenas contássemos com simulações, levaríamos anos para encontrar um alvo provável, mesmo com os supercomputadores mais rápidos. "

Componentes do pipeline

No início do pipeline, técnicas computacionais são usadas para calcular as propriedades básicas de bilhões de moléculas. Esses dados são usados ​​no próximo estágio do pipeline para criar modelos de aprendizado de máquina que podem prever a probabilidade de uma determinada molécula se ligar a uma proteína viral conhecida. Aqueles considerados mais promissores são então simulados em sistemas de computação de alto desempenho.

"As proteínas são estruturas fluidas, e as simulações nos mostram novas conformações para eles. Nós os usamos para melhorar nossos modelos de aprendizado de máquina, "disse o cientista computacional de Argonne, Austin Clyde." O processo iterativo continua até que possamos validar que as moléculas que identificamos como susceptíveis de se ligar às proteínas SARS-CoV-2 são promissoras ".

Conjuntos de dados experimentais muito grandes também estão sendo reunidos a partir de milhares de cristais de proteína usando raios-X na Advanced Photon Source (APS), um DOE Office of Science User Facility no campus de Argonne. A técnica que estão usando para obter esses dados é conhecida como cristalografia de raios-X. Com isso, os pesquisadores podem capturar imagens detalhadas de proteínas virais e seus estados químicos para melhorar a precisão de seus modelos de aprendizado de máquina.

“Desde o início da pandemia, fomos capazes de determinar mais de 45 estruturas cristalinas de alta resolução das proteínas SARS-CoV-2 e seus complexos com outros compostos. Essa informação, quando combinado com análise computacional, pode fornecer insights críticos para esforços adicionais de design de drogas com base na estrutura e permitir o design de inibidores de maior afinidade e, em última análise, terapêutica que pode ser usada para tratar COVID-19, "disse Andrzej Joachimiak, diretor do Centro de Biologia Estrutural (SBC) na linha 19-ID-D da APS.

Os objetivos finais do pipeline são (1) compreender a função das proteínas virais; (2) identificar moléculas com alto potencial para se ligar a essas proteínas e, como resultado, bloquear a proliferação de SARS-CoV-2; e (3) entregar essa visão aos criadores e desenvolvedores de medicamentos para pesquisa e desenvolvimento adicionais.

"Ao contrário da abordagem tradicional, onde você confia no cientista para pensar muito e, com base no que eles sabem, ter ideias para uma molécula, com nosso pipeline, você pode filtrar um grande número de moléculas automaticamente, aumentando drasticamente sua chance de encontrar um candidato provável, "disse Ian Foster, diretor da divisão de Ciência de Dados e Aprendizagem da Argonne.