IA facilita processo de descoberta de inibidores associados a doenças degenerativas

O processo biológico de glicação envolve a ligação covalente de uma molécula de carboidrato, como a glicose, a frutose ou seus derivados, a proteínas, DNA ou lipídeos, o que é uma das principais maneiras de geração dos chamados produtos finais de glicação avançada (AGE, advanced glycated end-products). Essas moléculas estão implicadas no envelhecimento e no desenvolvimento de muitas doenças degenerativas como diabetes, aterosclerose, doença crônica do fígado e doença de Alzheimer. As AGEs atuam quando se ligam a receptores específicos (RAGE, receptor for AGE), por isso esses receptores têm sido explorados como alvo terapêutico no tratamento dessas doenças. Mas ainda existem muitos poucos dados sobre a estrutura e o funcionamento desses receptores, de forma que é difícil estudá-los. Os inibidores já disponíveis foram desenvolvidos com base no design tradicional de compostos farmacológicos, um processo complicado e de baixo rendimento.

Em um trabalho publicado em março, pesquisadores associados ao Centro Supercomputador de San Diego, que é parte da Universidade da Califórnia San Diego, apresentaram um método que aplica inteligência artificial para prospectar inibidores potenciais de RAGE, que tenham maior eficiência e menos efeitos colaterais. Como os datasets de moléculas com atividade inibidora – e que poderiam ser usados na etapa de treinamento – são pequenos, o modelo desenvolvido, na forma de uma rede neural profunda, usa princípios de transfer learning para interpretar as propriedades físico-químicas adequadas. Ao final do processo, os pesquisadores descobriram 79 moléculas candidatas. Para validar o modelo, eles examinaram essas moléculas usando os modelos clássicos disponíveis, como a modelagem de farmacóforos e de acoplamento, que são computacionalmente mais onerosos. As moléculas candidatas concordaram com os modelos de acoplamento e não tiveram diferença estatística em comparação com os resultados do modelo baseado em farmacóforos. Isso permitiu concluir que a técnica de transfer learning aplicada à estrutura de rede neural usada se adaptou bem ao problema, sendo capaz de generalizar as propriedades físico-químicas de uma biblioteca ampla de moléculas a partir de datasets pequenos de bioatividade, com alta precisão. Além disso, o modelo se mostrou robusto para adaptar diferentes modelos de acoplamento sem instruções explícitas.

A pesquisa evidencia como a inteligência artificial pode ser usada para capturar padrões em dados e produzir resultados satisfatórios sem depender de modelos complexos que exigem mais recursos materiais, computacionais e tempo, podendo às vezes até superar os métodos explícitos.