IA na Descoberta de Drogas

Prévia do material em texto

1/2
AI para descoberta de drogas: o que podemos fazer?
A inteligência artificial e o aprendizado de máquina estão desempenhando papéis crescentes na
descoberta de medicamentos, potencialmente economizando tempo e dinheiro significativos.
Ao longo dos últimos anos, a inteligência artificial (IA) surgiu no campo da descoberta de drogas. O
design de medicamentos AI é desenvolvido a partir da cadeia simplificada do sistema de entrada de
linha de entrada molecular (SMILES) para uma rede neural de grafo que melhorou a precisão e a
eficiência da descoberta do projeto de drogas de novo. A IA não só é capaz de projetar drogas com base
no modelo de aprendizagem profunda treinado, mas também pode empregar modelos de aprendizagem
profunda para previsões de retrossíntese e propriedades de medicamentos, como ADMET (absorção,
distribuição, metabolismo, excreção e toxicidade). A IA é considerada uma maneira promissora de
encontrar mais candidatos compostos e aumentar a taxa de sucesso dos ensaios clínicos desses
candidatos.
- O professor. Qifeng Bai, que trabalha na Universidade de Lanzhou, na China, acha que a IA evoluirá o
design de medicamentos 3D de 1D ou 2D. O grupo de Bai desenvolveu um software chamado MolAICal
que pode projetar ligantes 3D no bolso de alvos de doenças por IA e algoritmos clássicos. Com o
desenvolvimento da tecnologia de IA, a IA foi desenvolvida para o acoplamento molecular de drogas.
Por exemplo, o GNINA é uma excelente ferramenta baseada em redes neurais convolucionais (CNNs) –
redes neurais usadas principalmente para analisar imagens visuais – para o acoplamento molecular.
Além disso, a simulação de dinâmica molecular (MD) é um meio dinâmico que pode melhorar a precisão
do design de medicamentos. Embora a simulação MD seja considerada uma maneira mais precisa do
que o design de medicamentos estacionários de novo, custa tempo e recursos computacionais para lidar
com o espaço estrutural de alta dimensão de grandes sistemas simulados complexos. A IA pode
https://molaical.github.io/
https://github.com/gnina/gnina
2/2
fornecer uma maneira eficaz e econômica de lidar com o big data das simulações de MD e desempenhar
um papel importante no design de medicamentos 3D de novo para nosso benefício.
- Dr. Dr. (em inglês). Horacio Pérez-Sánchez que lidera o grupo de pesquisa Bioinformática Estrutural e
Computação de Alto Desempenho (BIO-HPC) da UCAM Universidad Católica de Murcia pensa que,
mesmo que percebamos os excelentes resultados obtidos na última década com redes neurais e outras
arquiteturas de aprendizado de máquina, também devemos entender por que essas previsões são feitas
e como. Esse é o principal objetivo dos métodos de Aprendizado de Máquina Interpretável (IML) que
vêm ganhando popularidade nos últimos cinco anos para fornecer tais informações e regras sobre o
funcionamento interno e a lógica de tais “caixas pretas” e que podem ajudar tremendamente em todos
os campos de descoberta de medicamentos.
AlphaFold2 provou ser de grande valor para a IA, biologia e medicina. Ele inspira acadêmicos e indústria
a desenvolver mais ferramentas de IA para a descoberta de medicamentos, reduzindo custos e tempo
para o mercado. Várias direções progrediram, incluindo um método de salto de andaimes baseado em
IA para saltar para fora da proteção de patentes para novos medicamentos, previsão de estrutura de
proteínas, triagem virtual, química generativa, previsão de ADMET e planejamento de rotas sintéticas
com base em modelos de aprendizagem profunda. Os problemas enfrentados na descoberta de
medicamentos também levam ao desenvolvimento de aprendizado profundo, como o Deep Graph
Learning, a aprendizagem profunda orientada pela física, modelos baseados em energia e assim por
diante.
De um modo geral, a IA foi gradualmente introduzida em todas as fases da descoberta de
medicamentos, incluindo estudos pré-clínicos e ensaios clínicos Fases I, II, III, IV, e assim por diante.
Acreditamos que a IA acelerará a velocidade do desenvolvimento de medicamentos e ajudará a
humanidade a superar mais doenças.
Roteiro: Qifeng Bai, Tingyang Xu, e Horacio Pérez-Sánchez
Referência: Q. Bai et al., ‘Avanços de aplicação de métodos de aprendizagem profunda para o projeto
de nova fármacos e simulação de dinâmica molecular ‘, WIREs Ciência Molecular Computacional (2021)
DOI: 10.1002/wcms.1581
ASN WeeklyTradução
Inscreva-se para receber nossa newsletter semanal e receba as últimas notícias científicas diretamente
na sua caixa de entrada.
ASN WeeklyTradução
Inscreva-se no nosso boletim informativo semanal e receba as últimas notícias científicas.
https://wires.onlinelibrary.wiley.com/doi/10.1002/wcms.1581