Encontrar novos medicamentos é uma tarefa cara e demorada. Mas um tipo de inteligência artificial pode acelerar massivamente o processo e fazer o trabalho por uma fração do preço.
Um novo estudo publicado na Nature usou esta tecnologia para encontrar três candidatos promissores para medicamentos senolíticos – que atrasam o envelhecimento e previnem doenças relacionadas à idade.
Os senolíticos funcionam ao matar as células senescentes. São células que estão “vivas” (metabolicamente ativas), mas que não se podem replicar, daí o seu apelido: células zombies.
A incapacidade de replicar não é necessariamente uma coisa má. Estas células sofreram danos no seu ADN – por exemplo, células da pele danificadas pelos raios solares – então parar a replicação impede que o dano se espalhe.
Mas as células senescentes nem sempre são boas. Elas secregam um cocktail de proteínas inflamatórias que se podem espalhar para as células vizinhas. Ao longo da vida, as nossas células sofrem uma enxurrada de ataques, desde os raios ultravioleta até a exposição a produtos químicos, e assim estas células acumulam-se. Números elevados de células senescentes têm sido implicados numa série de doenças, incluindo diabetes tipo 2, covid, fibrose pulmonar, osteoartrite e cancro.
Estudos em ratos de laboratório mostraram que a eliminação de células senescentes, usando senolíticos, pode melhorar estas doenças. Estes medicamentos podem matar as células zombies enquanto mantêm vivas as células saudáveis.
Cerca de 80 senolíticos são conhecidos, mas apenas dois foram testados em humanos: uma combinação de dasatinibe e quercetina. Seria ótimo encontrar mais senolíticos que pudessem ser usados numa variedade de doenças, mas seriam precisos entre 10 e 20 anos e milhares de milhões de dólares até um medicamento chegar ao mercado.
Resultados em cinco minutos
Os autores do novo estudo queriam saber se podemos treinar modelos de aprendizagem de máquina para identificar novos candidatos a medicamentos senolíticos.
Para fazer isso, alimentaram modelos de IA com exemplos de senolíticos e não senolíticos conhecidos. Os modelos aprenderam a distinguir entre os dois e poderiam ser usados para prever se moléculas que nunca tinham visto antes também poderiam ser senolíticas.
Ao resolver um problema de aprendizagem de máquina, geralmente os dados são testados em vários modelos diferentes primeiro, pois alguns deles tendem a ter um desempenho melhor do que outros.
Para determinar o modelo de melhor desempenho, no início do processo, foi separada uma pequena secção dos dados de treino disponíveis e mantidos ocultos do modelo até que o processo de treino seja concluído. Em seguida, estes dados de teste são usados para quantificar quantos erros o modelo está a cometer. Aquele que cometer menos erros, vence.
Foi determinado o melhor modelo, que foi depois definido para fazer previsões. Foram-lhe dadas 4340 moléculas e cinco minutos depois ele entregou uma lista de resultados.
O modelo de IA identificou 21 moléculas com pontuação máxima que considerou ter alta probabilidade de serem senolíticas. Se fossem testadas as 4340 moléculas originais no laboratório, seriam necessárias pelo menos algumas semanas de trabalho intensivo e 50 mil libras apenas para comprar os compostos, sem contar o custo dos equipamentos experimentais e da configuração.
Em seguida, foram testados estes candidatos a medicamentos em dois tipos de células: saudáveis e senescentes. Os resultados mostraram que dos 21 compostos, três (periplocina, oleandrina e gingetina) foram capazes de eliminar as células senescentes, mantendo viva a maioria das células normais. Estes novos senolíticos foram então submetidos a mais testes para aprender mais sobre como eles funcionam no corpo.
As experiências biológicas mais detalhadas mostraram que, dos três medicamentos, oleandrin foi mais eficaz do que o medicamento senolítico conhecido de melhor desempenho do seu tipo.
As possíveis repercussões dessa abordagem interdisciplinar – envolvendo cientistas de dados, químicos e biólogos – são enormes. Com dados suficientes de alta qualidade, os modelos de IA podem acelerar o incrível trabalho que químicos e biólogos fazem para encontrar tratamentos e curas para doenças – especialmente aquelas de necessidades não atendidas.
ZAP // The Conversation
