Descobrir e projetar um novo medicamento é uma das tarefas mais desafiadoras nas ciências biológicas. Leva mais de 10 anos e cerca de US $ 2,6 bilhões para levar um medicamento médio ao mercado.

A ideia essencial por trás da fabricação de um novo medicamento é criar uma molécula que se liga a um alvo, como uma proteína ou DNA, de modo a ativar ou inibir sua função biológica. Este, por sua vez, deve levar a um benefício terapêutico para o paciente.

Idealmente, a droga deve ser altamente seletiva, o que significa que se liga fortemente à molécula alvo sem afetar nenhuma outra molécula semelhante e que se dá bem com o sistema metabólico humano. Existem muitas etapas antes que o medicamento chegue ao mercado, incluindo testes de toxicidade, três fases de ensaios clínicos e medições para determinar a dose apropriada.

Embora muitas pessoas tenham ficado surpresas com o poder da inteligência artificial quando a AlphaGo venceu os especialistas humanos em Go pela primeira vez, alguns anos atrás, não estava claro se a IA poderia enfrentar desafios científicos.

Mas, dezembro passado, A DeepMind do Google venceu a competição Avaliação crítica de previsão de estrutura usando seu mais recente sistema de inteligência artificial, AlphaFold. Esta competição reconhece a tecnologia que pode construir melhor a estrutura 3-D de uma proteína a partir de sequências biológicas. AlphaFold foi capaz de vencer 25 de 43 concursos com alta precisão. Por comparação, a próxima melhor equipe venceu apenas três.

A vitória dominante da AlphaFold inaugura uma nova era de pesquisa científica. Cientistas como eu estão entusiasmados com o que o futuro reserva para a biomedicina. A IA tornará a descoberta de novos medicamentos significativamente mais rápida e barata. Isso pode ser particularmente benéfico para pacientes com doenças médicas raras, para quem a descoberta de medicamentos atualmente não é lucrativa ou para aqueles cujas doenças atualmente não podem ser tratadas de forma eficaz com medicamentos, como a doença de Alzheimer.

Projeto automatizado de drogas

Contudo, o projeto de drogas é muito mais complexo do que a previsão do dobramento de proteínas.

Redes adversárias geradoras, um tipo de programa de inteligência artificial de ponta, poderia ser um protótipo para descoberta automática de medicamentos. Uma parte do programa gera moléculas potenciais que podem ser usadas em drogas, enquanto o outro elimina candidatos não qualificados com base em informações de banco de dados existentes e requisitos de medicamentos ideais.

O gerador aprende com os erros detectados pelo discriminador até que o discriminador seja satisfeito.

Um dos maiores obstáculos para o projeto automatizado de medicamentos é o tamanho extremo do problema. Uma proteína humana típica e sua droga de ligação têm muitos, muitas configurações possíveis. Mesmo que um computador enumere uma configuração possível por segundo, ainda levaria mais tempo do que o universo existe para alcançar a configuração correta.

Mesmo todos os computadores do mundo juntos não têm potência suficiente para projetar medicamentos automaticamente.

Desembaraçando as moléculas

No meu lab, enfrentamos esses desafios matematicamente. Nosso trabalho se concentra na redução da complexidade geométrica de proteínas individuais para computadores. Cada proteína tem uma forma única que afeta as moléculas às quais ela pode se ligar. Introduzimos três métodos matemáticos que aumentam muito a capacidade do computador de representar novas moléculas de drogas e como elas podem interagir com as proteínas do corpo humano.

Por exemplo, o primeiro método utiliza geometria diferencial, uma técnica usada por Einstein para formular sua teoria geral da relatividade que explicava o espaço, o tempo e os movimentos das estrelas. Nós o usamos para descrever as superfícies de contato e interações de proteínas e drogas. Isso torna mais fácil para o computador avaliar como a proteína reagiria a uma determinada molécula de medicamento.

Outro método é chamado de topologia algébrica, que fornece uma abstração de alto nível das interações droga-proteína, de modo que um computador possa compreender facilmente a diferença entre uma droga adequada e um chamariz. O outro método, teoria dos grafos, examina a ampla variedade de maneiras pelas quais uma proteína pode interagir com uma droga, como ligações de hidrogênio, interações eletrostáticas ou reações à água. Ao estudar todas essas possíveis interações, podemos estar atentos a qualquer coisa que possa ser prejudicial à saúde humana.

O impacto de nossas abordagens matemáticas é melhor relacionado através do D3R Grand Challenges, uma competição mundial anual onde os participantes colocam suas ferramentas contra problemas de apresentação e ligação de medicamentos prescritos. Vencemos 14 por cento das competições no Grand Challenge 2 em 2016, melhorando isso para uma taxa de vitórias de 38 por cento no Grand Challenge 3 em 2017. O segundo vencedor teve uma taxa de vitórias de 19 por cento.

No último Grande Desafio 4, resultados preliminares indicam que podemos ter as melhores previsões em 50 por cento das competições. Nossa abordagem é dezenas de milhares de vezes mais rápida do que os métodos tradicionais baseados em simulações moleculares.

Estimulado por este sucesso, firmamos parcerias com a Pfizer para melhorar as ferramentas matemáticas de IA para triagem virtual e com a Bristol-Myers Squibb para prever a eficácia dos medicamentos e otimizar as doses.

A integração da matemática avançada e da IA ​​fornece uma maneira poderosa de pesquisar novos medicamentos. Pode ser que, apenas uma década depois, AI will become a leading force for new drug discovery, leading to less expensive and more efficient drugs.

Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.