As IA generativa evolui, vai além da decifração da linguagem humana para dominar as intrincadas linguagens da biologia e da química. Pense no DNA como um roteiro detalhado, uma sequência de 3 bilhões de letras que orienta as funções e o crescimento do nosso corpo. Da mesma forma, as proteínas, componentes essenciais da vida, têm a sua linguagem, incluindo um alfabeto de 20 aminoácidos. Em química, as moléculas também têm uma dialeto único, como construir palavras, frases ou parágrafos usando regras gramaticais. A gramática molecular dita como os átomos e subestruturas se combinam para formar moléculas ou polímeros. Assim como a gramática da linguagem define a estrutura das sentenças, a gramática molecular descreve a estrutura das moléculas.
Como IA generativa, como modelos de linguagem grande (LLMs), demonstram a sua capacidade de descodificar a linguagem das moléculas, estão a surgir novos caminhos para a descoberta eficiente de medicamentos. Várias empresas farmacêuticas estão a utilizar cada vez mais esta tecnologia para impulsionar a inovação no desenvolvimento de medicamentos. O McKinsey Global Institute (MGI) estima que a IA generativa poderia criar US $ 60 bilhões para US $ 110 bilhões anualmente em valor econômico para a indústria farmacêutica. Este potencial deve-se principalmente à sua capacidade de aumentar a produtividade, acelerando a identificação de potenciais novos compostos medicamentosos e acelerando os seus processos de desenvolvimento e aprovação. Este artigo explora como a IA generativa está mudando a indústria farmacêutica, agindo como um catalisador para rápidos avanços na descoberta de medicamentos. No entanto, para apreciar o impacto da IA generativa, é essencial compreender o processo tradicional de descoberta de medicamentos e as suas limitações e desafios inerentes.
Desafios da descoberta de medicamentos tradicionais
A processo tradicional de descoberta de medicamentos é um empreendimento de vários estágios, muitas vezes demorado e que consome muitos recursos. Começa com a identificação de alvos, onde os cientistas identificam alvos biológicos envolvidos numa doença, tais como proteínas ou genes. Esta etapa leva à validação do alvo, que confirma que a manipulação do alvo terá efeitos terapêuticos. Em seguida, os pesquisadores se envolvem na identificação do composto principal para encontrar potenciais candidatos a medicamentos que possam interagir com o alvo. Uma vez identificados, esses compostos líderes passam por otimização de chumbo, refinando suas propriedades químicas para aumentar a eficácia e minimizar os efeitos colaterais. Os testes pré-clínicos avaliam então a segurança e a eficácia destes compostos in vitro (em tubos de ensaio) e in vivo (em modelos animais). Candidatos promissores são avaliados em três fases de ensaios clínicos para avaliar a segurança e eficácia em humanos. Finalmente, os compostos bem sucedidos devem obter aprovação regulamentar antes de serem comercializados e prescritos.
Apesar do seu rigor, o processo tradicional de descoberta de medicamentos tem várias limitações e desafios. É notoriamente demorado e dispendioso, muitas vezes demorando mais de uma década e custando milhares de milhões de dólares, com elevadas taxas de insucesso, especialmente nas fases de ensaios clínicos. A complexidade dos sistemas biológicos complica ainda mais o processo, tornando difícil prever como um medicamento se comportará nos seres humanos. Além disso, a triagem intensa só pode explorar uma fração limitada dos possíveis compostos químicos, deixando muitos medicamentos potenciais por descobrir. As altas taxas de desgaste também dificultaram o processo, onde muitos candidatos a medicamentos falham durante o estágio final de desenvolvimento, levando ao desperdício de recursos e tempo. Além disso, cada fase da descoberta de medicamentos requer intervenção humana e conhecimentos especializados significativos, o que pode retardar o progresso.
Como a IA generativa muda a descoberta de medicamentos
A IA generativa aborda esses desafios automatizando vários estágios do processo de descoberta de medicamentos. Ele acelera a identificação e validação de alvos, analisando rapidamente grandes quantidades de dados biológicos para identificar e validar com mais precisão possíveis alvos de medicamentos. Na fase de descoberta do composto principal, os algoritmos de IA podem prever e gerar novas estruturas químicas que provavelmente interagirão efetivamente com o alvo. A capacidade da IA generativa de explorar um grande número de pistas torna o processo de exploração química altamente eficiente. A IA generativa também melhora a otimização de chumbo, simulando e prevendo os efeitos de modificações químicas em compostos de chumbo. Por exemplo, a NVIDIA colaborou com a Recursion Pharmaceuticals para explorar 2.8 quatrilhões de combinações de pequenas moléculas e alvos em apenas uma semana. Este processo poderia ter levado aproximadamente 100,000 anos para alcançar os mesmos resultados usando os métodos tradicionais. Ao automatizar estes processos, a IA generativa reduz significativamente o tempo e o custo necessários para colocar um novo medicamento no mercado.
Além disso, os insights generativos baseados em IA tornam os testes pré-clínicos mais precisos, identificando possíveis problemas no início do processo, o que ajuda a reduzir as taxas de desgaste. As tecnologias de IA também automatizam muitas tarefas de mão-de-obra intensiva, permitindo aos investigadores concentrarem-se em decisões estratégicas de nível superior e dimensionarem o processo de descoberta de medicamentos.
Estudo de caso: primeira descoberta de medicamento de IA generativa da Insilico Medicine
Uma empresa de biotecnologia, Medicina Insílica, usou IA generativa para desenvolver o primeiro medicamento para fibrose pulmonar idiopática (FPI), uma doença pulmonar rara caracterizada por cicatrizes crônicas que levam ao declínio irreversível da função pulmonar. Ao aplicar IA generativa a conjuntos de dados ômicos e clínicos relacionados à fibrose tecidual, a Insilico previu com sucesso alvos de fibrose específicos de tecidos. Empregando essa tecnologia, a empresa desenvolveu um inibidor de molécula pequena, INS018_055, que mostrou potencial contra fibrose e inflamação.
Em junho de 2023, a Insilico administrou a primeira dose de INS018_055 a pacientes em um Ensaio clínico de fase II. A descoberta deste medicamento marcou um momento histórico, pois o primeiro inibidor antifibrótico de pequenas moléculas do mundo foi descoberto e projetado usando IA generativa.
O sucesso do INS018_055 valida a eficiência da IA generativa na aceleração da descoberta de medicamentos e destaca o seu potencial para enfrentar doenças complexas.
Alucinação em IA generativa para descoberta de drogas
À medida que a IA generativa avança na descoberta de medicamentos, permitindo a criação de novas moléculas, é essencial estar ciente de um desafio significativo que estes modelos podem enfrentar. Os modelos generativos são propensos a um fenômeno conhecido como alucinação. No contexto da descoberta de medicamentos, a alucinação refere-se à geração de moléculas que parecem válidas na superfície, mas que carecem de relevância biológica real ou utilidade prática. Este fenômeno apresenta vários dilemas.
Uma questão importante é a instabilidade química. Modelos generativos podem produzir moléculas com propriedades teoricamente favoráveis, mas estes compostos podem ser quimicamente instáveis ou propensos à degradação. Tais moléculas “alucinadas” podem falhar durante a síntese ou exibir comportamento inesperado em sistemas biológicos.
Além disso, as moléculas alucinadas muitas vezes carecem de relevância biológica. Eles podem se adequar aos alvos químicos, mas não conseguem interagir de forma significativa com os alvos biológicos, tornando-os ineficazes como medicamentos. Mesmo que uma molécula pareça promissora, a sua síntese pode ser proibitivamente complexa ou dispendiosa, uma vez que a alucinação não leva em conta as vias sintéticas práticas.
A lacuna de validação complica ainda mais a questão. Embora os modelos generativos possam propor numerosos candidatos, testes experimentais rigorosos e validação são cruciais para confirmar a sua utilidade. Esta etapa é essencial para colmatar o potencial teórico e a lacuna de aplicação prática.
Várias estratégias podem ser empregadas para mitigar as alucinações. Abordagens híbridas que combinam IA generativa com modelagem baseada na física ou métodos orientados ao conhecimento podem ajudar a filtrar moléculas alucinadas. O treinamento adversário, onde os modelos aprendem a distinguir entre compostos naturais e alucinados, também pode melhorar a qualidade das moléculas geradas. Ao envolver químicos e biólogos no processo de design iterativo, o efeito da alucinação também pode ser reduzido.
Ao enfrentar o desafio da alucinação, a IA generativa pode promover a sua promessa de acelerar a descoberta de medicamentos, tornando o processo mais eficiente e eficaz no desenvolvimento de medicamentos novos e viáveis.
Concluindo!
A IA generativa muda a indústria farmacêutica ao acelerar a descoberta de medicamentos e reduzir custos. Embora persistam desafios como a alucinação, combinar a IA com métodos tradicionais e experiência humana ajuda a criar compostos mais precisos e viáveis. A Insilico Medicine demonstra que a IA generativa tem potencial para abordar doenças complexas e trazer novos tratamentos para o mercado de forma mais eficiente. O futuro da descoberta de medicamentos está se tornando mais promissor, com a IA generativa impulsionando inovações.
