Imagine que você é um caçador de fósseis. Você passa meses no calor do Arizona desenterrando ossos apenas para descobrir que o que você descobriu é de um dinossauro previamente descoberto.

É assim que a busca por antibióticos deu certo recentemente. Os relativamente poucos caçadores de antibióticos continuam encontrando os mesmos tipos de antibióticos.

Com o rápido aumento da resistência aos medicamentos em muitos patógenos, novos antibióticos são desesperadamente necessários. Pode ser apenas uma questão de tempo antes que uma ferida ou arranhão coloque a vida em risco. No entanto, poucos novos antibióticos entraram no mercado ultimamente, e mesmo essas são apenas variantes menores de antigos antibióticos.

Embora as perspectivas pareçam sombrias, a recente revolução na inteligência artificial (IA) oferece uma nova esperança. Em um estudo publicado em 20 de fevereiro na revista Célula , cientistas do MIT e de Harvard usaram um tipo de IA chamado aprendizado profundo para descobrir novos antibióticos.

A maneira tradicional de descobrir antibióticos - do solo ou de extratos de plantas - não revelou novos candidatos, e há muitos obstáculos sociais e econômicos para resolver esse problema, também. Recentemente, alguns cientistas tentaram combatê-la pesquisando no DNA de bactérias novos genes produtores de antibióticos. Outros procuram antibióticos em locais exóticos, como o nosso nariz.

Drogas encontradas por meio desses métodos não convencionais enfrentam um caminho difícil para chegar ao mercado. Os medicamentos que são eficazes em uma placa de Petri podem não funcionar bem dentro do corpo. Eles podem não ser bem absorvidos ou podem ter efeitos colaterais. A fabricação dessas drogas em grandes quantidades também é um desafio significativo.

Aprendizagem profunda

Entre no aprendizado profundo. Esses algoritmos acionam muitos dos sistemas de reconhecimento facial e carros autônomos atuais. Eles imitam como os neurônios em nossos cérebros operam, aprendendo padrões em dados. Um neurônio artificial individual - como um minissensor - pode detectar padrões simples como linhas ou círculos. Usando milhares desses neurônios artificiais, A IA de aprendizagem profunda pode realizar tarefas extremamente complexas, como reconhecer gatos em vídeos ou detectar tumores em imagens de biópsia.

Dado seu poder e sucesso, pode não ser surpreendente saber que os pesquisadores em busca de novas drogas estão adotando a IA de aprendizagem profunda. No entanto, construir um método de IA para descobrir novos medicamentos não é uma tarefa trivial. Em grande parte, isso ocorre porque no campo da IA ​​não há almoço grátis.

O teorema No Free Lunch declara que não existe um algoritmo universalmente superior. Isso significa que se um algoritmo tem um desempenho espetacular em uma tarefa, diga reconhecimento facial, então ele falhará espetacularmente em uma tarefa diferente, como a descoberta de drogas. Conseqüentemente, os pesquisadores não podem simplesmente usar IA de aprendizagem profunda pronta para uso.

A equipe de Harvard-MIT usou um novo tipo de IA de aprendizado profundo chamado redes neurais de gráfico para descoberta de drogas. De volta à idade da pedra da IA ​​de 2010, Modelos de IA para descoberta de drogas foram construídos usando descrições de texto de produtos químicos. É como descrever o rosto de uma pessoa por meio de palavras como "olhos escuros" e "nariz comprido". Esses descritores de texto são úteis, mas obviamente não pintam o quadro inteiro. O método de IA usado pela equipe Harvard-MIT descreve os produtos químicos como uma rede de átomos, o que dá ao algoritmo uma imagem mais completa do produto químico do que as descrições de texto podem fornecer.

Conhecimento humano e lousas em branco de IA

No entanto, o aprendizado profundo por si só não é suficiente para descobrir novos antibióticos. Ele precisa estar associado a um profundo conhecimento biológico das infecções.

A equipe de Harvard-MIT treinou meticulosamente o algoritmo de IA com exemplos de drogas eficazes e outras não. Além disso, eles usaram drogas que são reconhecidamente seguras em humanos para treinar a IA. Eles então usaram o algoritmo de IA para identificar antibióticos potencialmente seguros, porém potentes, de milhões de produtos químicos.

Ao contrário das pessoas, AI não tem noções preconcebidas, especialmente sobre a aparência de um antibiótico. Usando IA da velha escola, meu laboratório descobriu recentemente alguns candidatos surpreendentes para o tratamento da tuberculose, incluindo um medicamento antipsicótico. No estudo da equipe Harvard-MIT, eles encontraram uma mina de ouro de novos candidatos. Esses medicamentos candidatos não se parecem em nada com os antibióticos existentes. Um candidato promissor é Halicin, uma droga que está sendo explorada para o tratamento do diabetes.

Halicin, surpreendentemente, foi potente não só contra E. coli , a bactéria em que o algoritmo de IA foi treinado, mas também em patógenos mais mortais, incluindo aqueles que causam tuberculose e inflamação do cólon. Notavelmente, Halicina foi potente contra resistência a medicamentos Acinetobacter baumanni . Esta bactéria está no topo da lista dos patógenos mais mortais compilada pelos Centros de Controle e Prevenção de Doenças.

Infelizmente, A ampla potência do Halicin sugere que também pode destruir bactérias inofensivas em nosso corpo. Também pode ter efeitos colaterais metabólicos, uma vez que foi originalmente concebido como um medicamento antidiabético. Dada a extrema necessidade de novos antibióticos, esses podem ser pequenos sacrifícios a pagar para salvar vidas.

Mantendo-se à frente da evolução

Dada a promessa de Halicin, devemos parar a busca por novos antibióticos?

Halicin pode superar todos os obstáculos e, eventualmente, chegar ao mercado. Mas ainda precisa superar um inimigo implacável que é a principal causa da crise de resistência aos medicamentos:a evolução. Os humanos lançaram várias drogas contra os patógenos no século passado. No entanto, os patógenos sempre desenvolveram resistência. Portanto, provavelmente não demorará muito até encontrarmos uma infecção resistente à Halicina. No entanto, com o poder da IA ​​de aprendizagem profunda, podemos agora estar mais bem preparados para responder rapidamente com um novo antibiótico.

Muitos desafios estão à frente para os antibióticos potenciais descobertos usando IA para chegar à clínica. As condições em que essas drogas são testadas são diferentes daquelas dentro do corpo humano. Novas ferramentas de IA estão sendo construídas por meu laboratório e outros para simular o ambiente interno do corpo para avaliar a potência do antibiótico. Os modelos de IA agora também podem prever a toxicidade do medicamento e os efeitos colaterais. Essas tecnologias de IA juntas podem nos dar uma vantagem na batalha sem fim contra a resistência aos medicamentos.

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