Em um desenvolvimento inovador para o design de vacinas e imunoterapia, pesquisadores da Escola Pritzker de Engenharia Molecular (PME) da Universidade de Chicago aproveitaram as capacidades de aprendizado de máquina paradentnovas moléculas que potencializam as vias imunológicas. O estudo, publicado recentemente na revista Chemical Science, demonstra o potencial da inteligência artificial (IA) para revolucionar a busca por imunomoduladores, componentes cruciais para o desenvolvimento de vacinas mais eficazes e imunoterapias robustas contra o câncer.
Um vasto espaço químico explorado
O desafio dedentas moléculas certas para desencadear a resposta imune desejada tem sido formidável, dada a estimativa impressionante de 10^60 pequenas moléculas com propriedades semelhantes a fármacos — um número que supera em muito o de estrelas visíveis no universo. Para navegar nesse vasto espaço químico, a equipe de pesquisa, liderada pelo Prof. Aaron Esser-Kahn, empregou técnicas de aprendizado de máquina, um método nunca antes aplicado dessa maneira para a descoberta de imunomoduladores.
Processo de triagem guiado por IA
A equipe iniciou uma triagem de alto rendimento de 40.000 combinações de moléculas para avaliar seu impacto nas vias da imunidade inata, visando especificamente as vias NF-κB e IRF, cruciais para a inflamação e as respostas antivirais. Posteriormente, os pesquisadores combinaram os resultados com uma biblioteca de quase 140.000 pequenas moléculas disponíveis comercialmente para orientar um processo computacional e experimental iterativo.
Utilizando aprendizado ativo, uma técnica de aprendizado de máquina que navega eficientemente pela triagem experimental no espaço molecular, o estudantedent -graduação Yifeng (Oliver) Tang liderou o projeto. O processo foi iterativo, com o modelo sugerindo potenciais candidatos ou áreas inexploradas, o que levou a equipe a realizar análises de alto rendimento e a alimentar o algoritmo de aprendizado ativo com os dados. Surpreendentemente, após apenas quatro ciclos, amostrando meros 2% da biblioteca, a equipedentpequenas moléculas de alto desempenho até então desconhecidas.
Resultados que quebraram recordes
A descoberta guiada por IA revelou pequenas moléculas com desempenho recorde, superando a intuição humana. Esses candidatos de alto desempenho demonstraram uma melhora notável de 110% na atividade de NF-κB, um aumento de 83% na atividade de IRF e uma impressionante supressão de 128% na atividade de NF-κB. Uma molécula de destaque exibiu um aumento de três vezes na produção de IFN-β quando administrada com um agonista de STING, mostrando-se promissora para o tratamento do câncer.
Generalistas e sua versatilidade
A pesquisa também descobriu "generalistas" — imunomoduladores capazes de modificar vias metabólicas quando administrados juntamente com agonistas, substâncias químicas que ativam receptores celulares. Essas pequenas moléculas versáteis podem desempenhar um papel multifacetado em diversas vacinas, facilitando sua comercialização. O Prof. Andrew Ferguson enfatizou o entusiasmo em torno da perspectiva de uma única molécula contribuir para um amplo espectro de vacinas.
Desvendando segredos moleculares
Para obter informações sobre as características das moléculasdent, a equipe realizou uma análise minuciosa das características químicas comuns que promoviam comportamentos desejáveis. Esse conhecimento permite um foco direcionado em moléculas com características específicas ou a engenharia racional de novas moléculas com grupos químicosdent.
Os pesquisadores pretendem dar continuidade a esse processo inovador, visandodentmoléculas com atividade imunológica mais específica e explorar combinações que ofereçam melhor controle da resposta imune. O Prof. Esser-Kahn expressou o objetivo final: encontrar moléculas capazes de tratar doenças.
Uma mudança paradigmática no desenvolvimento de vacinas
O uso de aprendizado de máquina para orientar a descoberta de imunomoduladores representa uma mudança de paradigma no desenvolvimento de vacinas e na imunoterapia. O sucesso dessa abordagem baseada em IA não apenas acelera adentde moléculas potentes, como também abre caminhos para a colaboração dentro da comunidade científica. À medida que a equipe busca expandir sua busca por moléculas, incentiva o compartilhamento de conjuntos de dados para aumentar a eficiência e o impacto dessa pesquisa transformadora.
