IA na Medicina
A inteligência artificial (IA) vem ganhando atenção pública, mas é um tipo diferente de IA que está revolucionando a descoberta de medicamentos. Modelos de aprendizado de máquina estão ajudando a compressar linhas do tempo de décadas e a resolver problemas que eram anteriormente insolúveis. Em parceria com a AstraZeneca, uma empresa farmacêutica líder, a IA está se tornando uma parte fundamental da infraestrutura de pesquisa e desenvolvimento (P&D) de medicamentos.
O desenvolvimento e design de um novo medicamento é um desafio científico caro e propenso a falhas. Um novo medicamento pode levar muitos anos para ser desenvolvido, com um investimento significativo. E mesmo assim, a maioria dos candidatos possíveis nunca alcança o paciente. No caso de medicamentos biológicos, terapias feitas a partir de proteínas engenhosas em vez de química sintética (que são frequentemente usadas para tratar condições em doenças agudas e crônicas), a complexidade é ainda maior. Cientistas exploram vastas quantidades de moléculas possíveis, procurando as poucas que se ligarão ao alvo certo, permanecerão estáveis no corpo humano e poderão ser produzidas em larga escala.
Hoje, a IA está acelerando esses processos e se tornou rapidamente uma parte fundamental da infraestrutura de P&D farmacêutico. O design assistido por IA é uma parte crescente de como os candidatos a medicamentos biológicos são desenvolvidos, e empresas como a AstraZeneca estão ativamente construindo equipes de engenharia para impulsionar isso. “Tudo o que fazemos, seja design, fabricação, teste ou análise, é agora computacionalmente aprimorado”, afirma Puja Sapra, vice-presidente sênior e chefe de engenharia de biológicos e descoberta de oncologia direcionada da AstraZeneca. “Os ciclos de tempo estão se tornando mais curtos, enquanto a produtividade e a inovação aumentam”.
Sapra explica que a abordagem da AstraZeneca segue um ciclo de construir-medir-aprender. A IA gera ou prioriza candidatos moleculares computacionalmente, prevendo quais designs são mais prováveis de ter sucesso. Cientistas então concentram os recursos de laboratório apenas nos candidatos mais bem classificados. Isso leva a um ciclo de feedback mais apertado, com menos becos sem saída, iteração mais rápida e a capacidade de ir atrás de alvos de doenças que eram anteriormente considerados intratáveis pela medicina. Porque o número de combinações moleculares possíveis excede muito o que qualquer equipe humana pode explorar sistematicamente, o uso de IA para reduzir e refinar as opções para teste se tornou um foco principal no design de medicamentos biológicos.
Além de acelerar os prazos, a IA também está sendo aplicada à descoberta de classes inteiramente novas de medicamentos. Os medicamentos biológicos tradicionais geralmente visam uma via de doença. A próxima geração de medicamentos pode atingir vários alvos simultaneamente ou entregar cargas terapêuticas com precisão para células específicas. Isso exige otimização em muitas variáveis ao mesmo tempo. Olhando para o futuro, os modelos impulsionados por IA poderiam ajudar a projetar esses biológicos complexos e multi-específicos, explica Puja Sapra. “Por exemplo”, ela continua, “tais modelos poderiam ajudar a identificar quais dois ou três alvos priorizar com base na biologia subjacente, então otimizar em vários parâmetros para equilibrar a potência, estabilidade, fabricabilidade e segurança de uma molécula”. “Medicar o que é impossível de medicar está se tornando uma realidade”, afirma Sapra. “Essas tecnologias eventualmente permitirão que desenvolvamos medicamentos contra alvos que uma vez foram considerados impossíveis de alcançar. O potencial de benefício para os pacientes é notável”.
A McKinsey estima que a IA gerativa, combinada com outras ferramentas computacionais, pode reduzir os prazos de descoberta de medicamentos em até 50%. Mas cada modelo de IA é apenas tão bom quanto os dados de treinamento. Na descoberta de medicamentos, isso significa grandes quantidades de dados biológicos de alta qualidade. Experimentos podem fornecer uma rica fonte de tais dados. Sejam bem-sucedidos ou não, cada experimento gera um sinal sobre o que funciona e o que não funciona.
“Os dados são nosso diferenciador”, afirma Sapra, explicando como os conjuntos de dados da empresa são proprietários e multimodais, incluindo estruturas moleculares, medições de ligação, perfis de segurança e resultados de fabricação. “Construímos um portfólio intencionalmente diversificado em várias áreas de doenças e tipos de medicamentos. Todos esses dados nos permitem aprimorar modelos de IA de fronteira com conjuntos de treinamento mais ricos e representativos”. Ela continua: “Além disso, investimos em tecnologias de triagem profunda para gerar conjuntos de dados adicionais necessários em volume para constantemente refinar e validar nossos modelos”.
Para reunir todos esses dados em um só lugar, a AstraZeneca está construindo o que chama de “laboratório do futuro” em Kendall Square, Cambridge, Massachusetts, onde a IA e a automação robótica poderão formar um sistema de descoberta contínua e fechado. “Assim como um carro autônomo usa sensores e modelos para navegar pelo ambiente, esse sistema usa IA para fazer previsões, sistemas robóticos para executar experimentos e instrumentos para gerar dados”, explica Sapra. Esses dados alimentam diretamente os modelos, acelerando cada ciclo subsequente.
“Ao longo do processo, os cientistas permanecerão centrais, fornecendo supervisão, julgamento e direção estratégica para garantir que as saídas sejam explicáveis, toleráveis e dirigidas para o benefício potencial do paciente”, acrescenta ela. Eventualmente, sistemas automatizados de
