Revolucionando o Desenvolvimento de Fármacos com Aprendizagem Automática para Prever as Chances de Aprovação Antes dos Ensaios Clínicos

Num desenvolvimento revolucionário que poderia transformar o panorama da descoberta e desenvolvimento de fármacos, investigadores da Pohang University of Science and Technology (POSTECH) aproveitaram o poder da aprendizagem automática para prever as chances de aprovação de um fármaco antes mesmo do início dos ensaios clínicos. As suas descobertas, recentemente publicadas na prestigiada revista EBioMedicine, oferecem uma solução promissora para um dos desafios mais prementes da indústria farmacêutica – a elevada taxa de candidatos a fármacos que falham durante os ensaios clínicos, apesar de mostrarem promessa nos testes pré-clínicos.

A importância do desenvolvimento de fármacos

A busca por novos fármacos não é apenas um empreendimento científico, mas uma missão vital que afeta a saúde e o bem-estar da humanidade em geral. O desenvolvimento de fármacos inovadores é fundamental para avançar nos tratamentos médicos, prevenir doenças e, em última análise, melhorar a qualidade de vida das pessoas em todo o mundo. No entanto, a árdua jornada desde a descoberta laboratorial até à disponibilidade no mercado está repleta de obstáculos e incertezas.

Os custos elevados dos contratempos nos ensaios clínicos

Um dos maiores obstáculos no desenvolvimento de fármacos são as perdas económicas avultadas incorridas quando um candidato a fármaco falha durante os ensaios clínicos. Estes ensaios envolvem grupos populacionais diversos e são desenhados para avaliar a segurança e a eficácia de um fármaco em cenários do mundo real. Mesmo quando um fármaco mostrou uma promessa excepcional nas fases pré-clínicas, a transição para os ensaios clínicos pode revelar desafios inesperados, levando a contratempos que custam às empresas farmacêuticas milhares de milhões de dólares.

Para abordar esta questão crítica, é imperativo compreender por que razão certos fármacos, apesar de passarem nos rigorosos testes pré-clínicos, falham durante os ensaios clínicos. Além disso, existe uma necessidade premente de desenvolver métodos que possam prever as chances de aprovação de um fármaco antes de embarcar nestes ensaios dispendiosos e demorados.

Aprendizagem automática

Entram o Professor Sanguk Kim e o candidato a PhD Minhyuk Park, liderando uma equipa de investigação no Departamento de Ciências da Vida da POSTECH. Aproveitando o poder da aprendizagem automática, conseguiram um sucesso notável na previsão de potenciais resultados e efeitos secundários dos fármacos antes do início dos ensaios clínicos.

O cerne da sua investigação revolucionária reside em abordar uma discrepância fundamental nos efeitos dos fármacos observada entre linhagens celulares e animais, comumente usados em testes pré-clínicos, e o seu impacto final nos seres humanos. Esta discrepância surge das variações na forma como os genes-alvo dos fármacos funcionam e são expressos nas células em oposição aos seres humanos. Ignorar esta diferença crítica pode levar a efeitos secundários graves e inesperados quando os fármacos são administrados aos pacientes reais, desviando-se significativamente dos resultados promissores observados nos ambientes laboratoriais.

Preenchendo a lacuna

Os investigadores da POSTECH enfrentaram este desafio de frente, concentrando-se nas disparidades nos efeitos dos fármacos entre as células e os seres humanos. A sua abordagem envolveu uma análise abrangente dos efeitos de perturbação genética baseados na taxa de mutação de perda de função e no knockout CRISPR-Cas9 nas células e nos seres humanos, respetivamente. Ao avaliar esta discrepância, o objetivo era prever a probabilidade de aprovação de um fármaco, com base num conjunto de dados que incluía 1404 fármacos aprovados e 1070 fármacos não aprovados.

Aprender com os fracassos do passado

Para validar ainda mais o risco associado a alvos de fármacos que apresentavam a discrepância células/seres humanos, os investigadores aprofundaram-se nos alvos de fármacos que tinham falhado anteriormente nos ensaios clínicos ou tinham sido retirados do mercado devido a preocupações de segurança. Esta análise meticulosa forneceu insights cruciais sobre os fatores que contribuem para as falhas dos fármacos e permitiu à equipa de investigação refinar os seus modelos preditivos.

Integrar estratégias químicas e genéticas

O que distingue esta investigação das abordagens convencionais é a sua integração de estratégias químicas e genéticas. Enquanto os métodos tradicionais dependem principalmente das propriedades químicas de um fármaco para prever o seu sucesso, a equipa da POSTECH reconheceu a importância das diferenças genéticas entre os modelos pré-clínicos e os seres humanos. Ao harmonizar estas duas facetas, alcançaram um nível de precisão anteriormente inatingível nas previsões de segurança e sucesso dos fármacos.

Um futuro brilhante para o desenvolvimento de medicamentos

As implicações desta pesquisa são nada menos que revolucionárias. A capacidade do aprendizado de máquina de prever as chances de aprovação de um medicamento com alto grau de precisão tem o potencial de remodelar a indústria farmacêutica. Ao fornecer às empresas farmacêuticas uma ferramenta para tomar decisões mais informadas sobre quais candidatos a medicamentos avançar para ensaios clínicos, esta tecnologia tem o potencial de reduzir o risco de falhas custosas e acelerar o desenvolvimento de medicamentos seguros e eficazes.

Considerações éticas e regulatórias

Como qualquer tecnologia transformadora, o uso do aprendizado de máquina no desenvolvimento de medicamentos levanta importantes considerações éticas. Garantir a privacidade e a segurança dos dados dos pacientes utilizados nesses modelos preditivos é primordial. Além disso, as agências reguladoras precisarão se adaptar para acomodar o uso dessas abordagens inovadoras no processo de aprovação de medicamentos, encontrando um equilíbrio entre inovação e segurança.

O trabalho realizado pelo Professor Sanguk Kim, Minhyuk Park e sua equipe na POSTECH representa um avanço significativo no desenvolvimento de medicamentos. Sua integração de aprendizado de máquina, insights genéticos e propriedades químicas promete revolucionar a forma como os fármacos são descobertos e desenvolvidos, beneficiando não apenas a indústria, mas também a saúde e o bem-estar das pessoas em todo o mundo. A jornada da descoberta laboratorial à aprovação clínica pode logo se tornar um caminho mais eficiente e previsível, inaugurando uma nova era de inovação médica.