Em média, um medicamento custa 2,8 mil milhões de dólares e demora entre 10 a 15 anos a chegar ao mercado
O custo elevado pode ser atribuído ao fracasso da maioria dos medicamentos em alguma fase do processo de desenvolvimento; por isso, é fundamental identificar os compostos ineficazes numa fase inicial deste percurso. Para reduzir os custos e o tempo de comercialização, os modelos de Inteligência Artificial permitem às empresas automatizar alguns dos processos iterativos, possibilitando assim a descoberta rápida de medicamentos.
O papel da IA na descoberta precoce de medicamentos
Durante as fases iniciais da descoberta de novos medicamentos, são analisados entre milhares e milhões de compostos, gerando enormes volumes de dados. Os modelos de aprendizagem profunda podem ser treinados com base nestes conjuntos de dados, o que lhes permitirá reconhecer padrões e fazer previsões.
Conhecer a estrutura da molécula-alvo é essencial para o sucesso da ação da molécula do fármaco. Os modelos de IA podem acrescentar valor ao processo de descoberta de fármacos baseado na estrutura, ao preverem as estruturas tridimensionais das proteínas através da análise da distância entre os aminoácidos e dos ângulos correspondentes das ligações peptídicas. Verificou-se que a precisão na previsão da estrutura é superior a 50%.
1
A afinidade com que um fármaco se liga ao seu alvo desempenha um papel crucial na eficácia do composto e pode ser prevista utilizando métodos baseados em IA. Presume-se que as semelhanças nas estruturas do fármaco e do alvo ajudem a determinar a afinidade e que fármacos semelhantes interajam com os mesmos alvos. Uma das técnicas de aprendizagem automática, denominada MANTRA, agrupa os compostos com base nas previsões da sua via biológica comum ou mecanismo de ação.
1 A IA também pode desempenhar um papel importante na identificação de alvos através do acesso a vastas bibliotecas de dados biológicos disponíveis publicamente
Por vezes, os compostos podem interagir com alvos indesejados, o que pode conduzir à toxicidade. Modelos avançados de IA, como o DeepTox, conseguem prever a toxicidade com base na semelhança desses compostos com os que já se encontram no mercado. Ferramentas de código aberto, como o PrOCTOR, têm em conta diversas propriedades dos fármacos, bem como os seus alvos, para prever se um fármaco poderá falhar nos ensaios clínicos devido à sua toxicidade.
Outra aplicação importante da IA é na reutilização de medicamentos. A reutilização de um medicamento existente permitirá que este entre diretamente na fase II dos ensaios clínicos, reduzindo assim significativamente o custo de desenvolvimento. Várias abordagens de aprendizagem automática consideram semelhanças entre medicamentos, doenças ou moléculas-alvo durante a reutilização de um medicamento.
Muitas bases de dados químicas, como PubChem, ChemBank, DrugBank e ChemDB, apresentam informações posicionais sobre as moléculas no espaço. Isto permite a triagem virtual utilizando vários métodos in silico (computacionais) para identificar compostos bioativos. Alguns algoritmos, como matrizes de Coulomb e reconhecimento de impressões digitais moleculares, são utilizados na conceção de medicamentos para identificar um composto líder.
2 Estes têm em conta os perfis físicos, químicos e toxicológicos de um composto, o que resulta na seleção de moléculas-chave de forma economicamente eficiente.
Alguns modelos computacionais são combinados com modelos de IA para prever as propriedades de absorção, distribuição, metabolismo, excreção e toxicidade (ADMET) das moléculas farmacológicas. A lipofilia e a solubilidade dos compostos podem ser previstas utilizando programas de redes neurais, tais como o ADMET Predictor e o programa ALGOPS. Isto contribui para a otimização das moléculas candidatas. A previsão da atividade e toxicidade in vivo das moléculas é importante na identificação das moléculas candidatas pré-clínicas. Foram desenvolvidos algoritmos, tais como máquinas de aprendizagem extrema e Redes Neurais Profundas (DNN), para este fim.
3,
4
O desenho de fármacos de novo também é possibilitado através de programas de planeamento de síntese assistidos por computador, como o Synthia, que propõe eficazmente possíveis vias de síntese ou estratégias alternativas de síntese para compostos patenteados.
5 O envolvimento da IA no desenho de novo de moléculas pode ser benéfico para o setor farmacêutico, levando a um desenho e desenvolvimento rápido de compostos líderes em comparação com os métodos tradicionais. O desenho de novo de medicamentos tem dois modelos: o Modelo Generativo, que gera moléculas únicas, e o Modelo Preditivo, que avalia as propriedades das moléculas geradas.
Muitas empresas farmacêuticas líderes, como a Roche, a Pfizer, a Novartis e a AstraZeneca, têm colaborado, e continuam a fazê-lo, com organizações de IA em vários campos, incluindo oncologia, doenças cardiovasculares e distúrbios do SNC.
6
Conclusão
A IA representa uma revolução no campo da descoberta e desenvolvimento de medicamentos, graças à sua capacidade de identificar rapidamente compostos promissores e sugerir vias de síntese para essas moléculas. É capaz de prever a estrutura química desejada de moléculas eficazes, bem como estabelecer a relação entre a sua estrutura e a sua atividade. A IA também consegue prever as interações de um fármaco com o seu alvo, aumentando assim as hipóteses de desenvolver uma molécula eficaz. É provável que o número de aplicações de IA e a sua eficácia também aumentem no futuro, tornando o processo de descoberta de fármacos ainda mais rápido e mais económico.
Referências
1. Lounkine, E. et al. (2012) Previsão e teste em grande escala da atividade de fármacos em alvos de efeitos secundários. Nature 486, 361–367.
2. Chan, H.S. et al. (2019) Avanços na descoberta de fármacos através da inteligência artificial. Trends Pharmacol. Sci. 40 (8), 592–604.
3. Álvarez-Machancoses, O. e Fernández-Martínez, J.L. (2019) Utilização de métodos de inteligência artificial para acelerar a descoberta de fármacos. Expert Opin. Drug Discovery 14, 769–777.
4. Dana, D. et al. (2018) Aprendizagem profunda na descoberta de medicamentos e na medicina; apenas arranhando a superfície. Molecules 23, 2384.
5. Grzybowski, B.A. et al. (2018) Chematica: uma história de código informático que começou a pensar como um químico. Chem 4, 390–398.
6. Debleena Paul et al. (2021) Inteligência Artificial na descoberta e desenvolvimento de medicamentos. Drug Discovery Today, 26(1): 80-93.
