O Aprendizado de Máquina Acelera a Descoberta de Medicamentos

Em um empreendimento de pesquisa inovador, cientistas da Universidade do Leste da Finlândia desbloquearam uma nova era na descoberta de medicamentos, capitalizando o potencial do aprendizado de máquina. Por meio de uma parceria estratégica com especialistas da indústria e das capacidades computacionais de supercomputadores, essa colaboração produziu resultados notáveis, comprimindo significativamente o tempo necessário para a triagem virtual de medicamentos.

Este artigo fornece insights abrangentes sobre essa metodologia pioneira, destacando suas implicações para o setor farmacêutico e para a comunidade científica em geral.

Triagem virtual pioneira

O reino da triagem virtual, uma fase crucial na busca por novos compostos medicamentosos, passou por uma transformação monumental graças à integração do aprendizado de máquina. Os pesquisadores confiaram em técnicas rápidas auxiliadas por computador para filtrar extensas bibliotecas de compostos, buscando agentes potenciais para direcionar entidades específicas relacionadas a medicamentos.

No entanto, a explosão no tamanho dessas bibliotecas ultrapassou as capacidades até mesmo dos supercomputadores mais avançados. Consequentemente, triar uma biblioteca de compostos em escala de bilhões contra um único alvo de medicamento pode consumir vários meses ou até anos, apresentando um desafio formidável para a indústria.

O estudo emblemático

Em uma recente publicação no Journal of Chemical Information and Modeling, a Dra. Ina Pöhner e seus estimados colegas da Escola de Farmácia da Universidade do Leste da Finlândia. Em parceria com a CSC – Centro de TI para Ciência Ltd., o ápice da supercomputação na Finlândia, e importantes colaboradores industriais da Orion Pharma, embarcaram em uma missão para aproveitar o potencial do aprendizado de máquina para triagem virtual em escala giga.

Os pesquisadores estabeleceram meticulosamente uma linha de base antes de introduzir a inteligência artificial em seu fluxo de trabalho. Eles embarcaram em uma campanha monumental de triagem virtual que avaliou uma impressionante 1,56 bilhão de moléculas semelhantes a medicamentos contra dois alvos farmacologicamente pertinentes. Este empreendimento exaustivo, que durou quase meio ano, foi executado com a ajuda dos supercomputadores Mahti e Puhti, empregando a técnica de acoplamento molecular. Este método computacional analisa a compatibilidade de pequenas moléculas com o sítio de ligação de um alvo.

Aprendizado de máquina na vanguarda

Após a fase intensiva de acoplamento, os resultados passaram por um processo de triagem impulsionado por aprendizado de máquina, orquestrado por meio do HASTEN, uma ferramenta criada pelo Dr. Tuomo Kalliokoski, da Orion Pharma. O HASTEN aproveita o poder do aprendizado de máquina para decifrar as propriedades intrincadas das moléculas e seu impacto na pontuação dos compostos. Aproveitando um vasto conjunto de dados acumulado por meio do acoplamento convencional, o modelo de aprendizado de máquina pode prever rapidamente as pontuações de acoplamento para outros compostos na biblioteca, superando dramaticamente a abordagem de acoplamento por força bruta, que é intensiva em recursos.

Os resultados foram nada menos que extraordinários. Com apenas 1% da biblioteca completa acoplada e usada como dados de treinamento, o HASTEN identificou 90% dos compostos com maior pontuação em menos de dez dias. Esta conquista representa um salto quântico em eficiência, destacando o potencial transformador do aprendizado de máquina para revolucionar o cenário de descoberta de medicamentos.

O triunfo desta pesquisa é um testemunho da sinergia entre a academia e a indústria. O Professor Antti Poso, que lidera o grupo de descoberta de medicamentos computacionais dentro da Comunidade de Pesquisa DrugTech da Universidade do Leste da Finlândia, destacou o papel fundamental que os recursos computacionais de última geração da CSC desempenharam na realização de seus objetivos ambiciosos. Esta colaboração é exemplar, ilustrando como a amalgamação de ideias, recursos e tecnologia de ponta pode impulsionar a pesquisa científica a alturas sem precedentes.

Dados abertos como catalisador para inovação futura

Reconhecendo a importância primordial da disseminação do conhecimento, os autores do estudo tornaram generosamente grandes conjuntos de dados disponíveis ao público. Esses conjuntos de dados abrangem uma biblioteca de triagem prontamente implantável para acoplamento, capacitando outros pesquisadores a acelerar seus esforços de triagem. 

Além disso, o conjunto de dados que compreende 1,56 bilhão de resultados de acoplamento de compostos para dois alvos foi revelado como dados de benchmarking. Este gesto filantrópico não apenas fomenta a colaboração, mas também abre caminho para o desenvolvimento de ferramentas que podem simplificar processos, conservar recursos e avançar o campo da descoberta de medicamentos computacionais.