Os métodos convencionais para se encontrar e testar novas fórmulas de medicamentos são demorados e caros. Agora, a tecnologia pode vir a desempenhar um papel fundamental para acelerar a descoberta e baixar o preço, ao ser possível simular um grande volume de combinações em simultâneo. Investigadores da Universidade de Chapman, nos EUA, criaram o código para o drugAI, um modelo de Inteligência Artificial generativa que pretende fazer exatamente isso. O trabalho vai ser publicado no Pharmaceuticals, mas a equipa composta por Dony Ang, Cyril Rakovski e Hagop Atamian já revelou ter obtido resultados “magníficos”.
O drugAI aprende a partir de uma base de dados massiva de químicos conhecidos, percebe como se interligam para atingir proteínas e as regras e sintaxe da estrutura química e as suas propriedases. Depois, consegue gerar estruturas moleculares únicas de uma forma bastante mais acelerada e identificar candidatos a curar doenças, a uma fração do custo habitual.
A plataforma foi desenvolvida com recurso a duas técnicas de IA avançadas, algo inédito neste setor até agora: a arquitetura Encoder-Decoder Transformer e o método Reinforcement Learning via Monte Carlo Tree Search, ou RL-MCTS. O algoritmo foi treinado com dados publicamente disponíveis na BindingDB e consegue gerar estruturas moleculares de raiz. Depois, iterativamente, vai refinando os candidatos até conseguir os finalistas que possam ser efetivos no tratamento de doenças. O modelo identifica 50 a 100 novas moléculas capazes de inibir aquelas proteínas especificamente, noticia o EurekaAlert.
Em comparação com outros métodos comuns, o drugAI consegiu encontrar medicamentos com a mesma qualidade e, em alguns casos, até melhores, com uma taxa de validade de 100%. No que toca à semelhança das propriedades dos compostos com as de outras drogas, os medicamentos do drugAI são entre 42 e 75% mais altos do que os que são encontrados com outros métodos.
O algoritmo foi desenvolvido com uma estrutura flexível, que permite aos investigadores adicionar novas funcionalidades no futuro: “isto significa que vamos terminar com candidatos a medicamentos mais refinados e com ainda maiores probabilidades de se tornarem um medicamento real”, conta a equipa.
