São Paulo — InkDesign News —
A aplicação de machine learning (ML) e inteligência artificial (IA) está criando novas oportunidades na descoberta de medicamentos, com um novo framework desenvolvido por pesquisadores da Simon Fraser University, que promete revolucionar a indústria farmacêutica.
Contexto da pesquisa
A indústria farmacêutica enfrenta desafios significativos na criação e produção de moléculas de medicamentos eficazes. Segundo estudos, o desenvolvimento de um novo medicamento pode levar até 10 anos e custar cerca de 1 bilhão de dólares. O novo estudo, publicado no arXiv, apresenta um avanço na soluções que frequentemente falham ao criar moléculas “perfeitas”, mas inviáveis para produção em laboratórios.
Método proposto
A abordagem desenvolvida, chamada CGFlow, combina um modelo de design dual que permite à IA modelar simultaneamente a construção e a estrutura 3D das moléculas. Isso é crucial para garantir que as moléculas projetadas não sejam apenas biologicamente eficazes, mas também viáveis quimicamente. Como destacado por Martin Ester, professor de ciência da computação na SFU: “Desenvolvemos um método de aprendizado de máquina que praticamente garante que a molécula gerada pode ser criada por síntese química no mundo real.”
“Desenvolvemos um método de aprendizado de máquina que praticamente garante que a molécula gerada pode ser criada por síntese química no mundo real.”
(“We have developed a machine-learning method that practically guarantees that the molecule generated can be created through chemical synthesis in the real world.”)— Martin Ester, Professor de Ciência da Computação, SFU
O CGFlow propõe um processo incremental, onde as moléculas são construídas passo a passo, assim como esculpir uma estátua, permitindo que a IA aprenda como cada novo componente altera a forma e a função da molécula.
Resultados e impacto
Os primeiros resultados mostraram um avanço significativo na capacidade de projetar moléculas que são tanto funcionalmente eficazes quanto realizáveis em laboratório. Estão sendo realizadas parcerias com empresas para a utilização do CGFlow em descobertas de medicamentos para câncer, ampliando a esperança para tratamentos de doenças complexas. “O próximo passo é levar nosso método para a indústria, onde ele pode ser usado e aprimorado”, afirma Ester.
“O próximo passo é levar nosso método para a indústria, onde ele pode ser usado e aprimorado.”
(“The next step is to take our method to industry so it can be used and improved.”)— Martin Ester, Professor de Ciência da Computação, SFU
Com isso, a expectativa é que a nova metodologia possa acelerar substancialmente o processo de desenvolvimento de medicamentos, alinhando ciência e indústria em prol de avanços significativos na saúde pública.
Fonte: (TechXplore – Machine Learning & AI)
