Cientistas do Centro Skoltech para Ciência e Engenharia Computacional e Intensiva de Dados (CDISE) e Helmholtz Munich Center for Environmental Health (HMGU, Alemanha) criaram uma rede neural para visualizar o espaço químico de compostos que podem ser de valor potencial para a indústria farmacêutica. O novo método ajudará a criar novos compostos químicos e navegar no espaço dos produtos químicos existentes. Os resultados do estudo foram publicados no RSC Advances.
Os químicos muitas vezes precisam trabalhar em enormes bancos de dados contendo dezenas ou mesmo centenas de milhares de estruturas químicas para selecionar os melhores candidatos. Para fazer isso, eles precisam saber quais classes de compostos o banco de dados contém. Contudo, passar por milhares de moléculas é uma tarefa trabalhosa, o que seria muito mais fácil se as moléculas fossem retratadas como pontos e colocadas em um plano ou no espaço, com moléculas semelhantes amontoadas. Isso permitiria estudar o espaço químico usando uma ferramenta simples, da mesma forma que o geógrafo usa mapas digitais de escalas diferentes para ver uma imagem maior ou ampliar uma área particular. Mas aqui está o problema:como o algoritmo saberia onde colocar as moléculas se a ferramenta não tivesse conhecimento de química?
Um grupo conjunto de pesquisadores do CDISE (Dmitry Karlov, Sergey Sosnin e Maxim Fedorov) e HMGU (Igor Tetko) aplicaram métodos de IA para extrair informações diretamente dos dados, e acoplou a rede neural profunda com o método popular de redução de dimensão t-SNE para criar uma rede neural capaz de gerar uma visão 2-D do composto em um plano com base na estrutura multidimensional do composto recebida como entrada. O novo método coloca moléculas com propriedades semelhantes próximas umas das outras, de modo que os compostos podem ser agrupados em classes de acordo com suas propriedades. Os autores do estudo treinaram sua rede neural em milhões de compostos com atividade biológica conhecida.
“Adaptamos o método t-SNE para permitir a visualização do espaço químico de compostos com potencial farmacêutico por meio do treinamento da rede neural profunda e da seleção de descritores simples e de uma métrica para cálculo de distâncias em um espaço multidimensional. Mostramos também que essa abordagem permite salvar mais informações em comparação com outros métodos de redução de dimensão, ao mesmo tempo em que está no mesmo nível do PCA em termos de velocidade, "diz o pesquisador Skoltech e o primeiro autor do estudo Dmitry Karlov.
No futuro, os cientistas planejam desenvolver uma série de ferramentas para químicos e farmacêuticos verem o arranjo de novos, compostos inexplorados em relação aos já estudados e descritos na literatura. Isso agilizará a fase de P&D na busca de novos medicamentos.
