Em tempos de resistência bacteriana, a descoberta de novos antibióticos transformou-se na nova corrida do ouro. A velocidade com que se desenvolve novos antibióticos é menor do que o desenvolvimento dessa resistência bacteriana - um problema de quase 100 anos, vindo desde a descoberta da penicilina.
Se considerássemos a resistência bacteriana como uma doença, seria a doença que mais mata no mundo (em torno de 10 milhões de morte/ano), contra pouco mais de 9 milhões de morte/ano devido cardiopatia isquêmica (segundo dados da ONU/2016).
Quanto ao tema um trabalho recém-publicado está dando o que falar, logo após outra publicação, divulgada semanas antes, sobre uma descoberta de molécula por inteligência artificial para tratar pacientes portadores de transtorno obsessivo compulsivo.
A dificuldade no desenvolvimento de novos antibióticos se deve ao problema de desreplicação que atormenta a descoberta de produtos naturais, uma vez que boa parte dos produtos sintéticos são limitados em diversidade química e não refletem a química inerente às moléculas de antibióticos. Daí surge a necessidade de novos modelos de desenvolvimento de novos antibióticos.
Com os recentes avanços em Machine e Deep Learning na modelagem de representações moleculares baseadas em redes neurais, começamos a ter oportunidade de influenciar o paradigma da descoberta de medicamentos. É histórico a investigação de novos medicamentos in vivo e in vitro e, com a entrada da Inteligência Artificial, será comum os testes in silico.
Um modelo de rede neural profunda é treinado usando coleção de moléculas, depois o modelo resultante é aplicado a várias bibliotecas químicas discretas e, por conseguinte é selecionado uma lista de candidatos com base em um limiar de pontuação de previsão pré-especificado, estrutura química e disponibilidade.
Assim, após de testes em mais de 107 milhões de moléculas, a halicina, molécula muito semelhante a uma família de compostos antiparasitários contendo nitro e o metronidazol, foi apresentada como o novo antibiótico eficaz contra diversas bactérias, dentre elas a tão temida Acinetobacter baumannii e Clostridioides difficile. A eficácia da halicina representa uma melhoria significativa em relação à maioria dos antibióticos convencionais, considerando o mecanismo de ação incomum e superando muitos determinantes de resistência comum.
Salienta-se que o aprendizado de máquina é imperfeito. O sucesso do trabalho baseia-se no acoplamento dessas abordagens a projetos experimentais apropriados. Nesse case a escolha da inibição do crescimento como design do ensaio e a composição dos dados com diversidade química foi fundamental. Aplicações futuras poderiam incorporar condições fenotípicas de triagem que enriquecem moléculas contra alvos biológicos específicos, além da análise da previsão de propriedades físico-químicas poder superar determinadas limitações.
A halicina mostra não só que a inteligência artificial pode trazer um novo medicamento, mas pode predizer efeitos colaterais, precipitação de doenças em determinados pacientes ou, até mesmo, interromper processos de doenças degenerativas, apenas para citar alguns exemplos. É a primeira vez que se identifica tipos novos de antibióticos a partir do zero, sem a dedução humana prévia. Na condição de antibiótico, a resistência contra ela é virtualmente nula. Além da simulação teórica, apresenta resultados pré-clínicos que poderá demonstrar a eficácia de drogas derivadas da análise da inteligência artificial.
Fonte:
- Stokes, J. M. et al. A Deep Learning Approach to Antibiotic Discovery. Cell. 2020; 180(4):688-702. DOI: https://doi.org/10.1016/j.cell.2020.01.021.
Artigo publicado também neste link.
Quer escrever?
Publique seu artigo na Academia Médica e faça parte de uma comunidade crescente de mais de 145 mil médicos, acadêmicos, pesquisadores e profissionais da saúde. Clique no botão "NOVO POST" no alto da página!