Modelos de IA para a conceção de medicamentos falham na física
Anúncios
Os programas de IA mais avançados podem apoiar o desenvolvimento de medicamentos, prevendo a forma como as proteínas interagem com pequenas moléculas. No entanto, investigadores da Universidade de Basileia demonstraram que estes programas apenas memorizam padrões, em vez de compreenderem as relações físicas. Muitas vezes falham quando se trata de novas proteínas que seriam de particular interesse para medicamentos inovadores.
As proteínas desempenham um papel fundamental não só no corpo, mas também na medicina: ou servem de ingredientes activos, como as enzimas ou os anticorpos, ou são estruturas-alvo para os medicamentos. O primeiro passo para o desenvolvimento de novas terapias é, por conseguinte, decifrar a estrutura tridimensional das proteínas.
Durante muito tempo, a elucidação das estruturas das proteínas foi uma tarefa altamente complexa, até que a aprendizagem automática encontrou o seu caminho na investigação das proteínas. Modelos de IA com nomes como AlphaFold ou RosettaFold deram início a uma nova era: calculam como a cadeia de blocos de construção das proteínas, conhecidos como aminoácidos, se dobra numa estrutura tridimensional. Em 2024, os criadores destes programas receberam o Prémio Nobel da Química.
Imagem simbólica
AI-generated image
Taxa de sucesso suspeitamente elevada
As versões mais recentes destes programas vão mais longe: calculam a forma como a proteína em questão interage com outra molécula - um parceiro de acoplamento ou "ligando", como lhe chamam os especialistas. Pode tratar-se de um princípio ativo farmacêutico, por exemplo.
"Esta possibilidade de prever a estrutura das proteínas juntamente com um ligando é inestimável para o desenvolvimento de medicamentos", afirma o Professor Markus Lill da Universidade de Basileia. Juntamente com a sua equipa no Departamento de Ciências Farmacêuticas, ele investiga métodos para a conceção de ingredientes farmacêuticos activos.
No entanto, as taxas de sucesso aparentemente elevadas da previsão estrutural intrigaram Lill e a sua equipa. Especialmente porque existem apenas cerca de 100 000 estruturas de proteínas já elucidadas, juntamente com os seus ligandos, disponíveis para treinar os modelos de IA - relativamente poucos em comparação com outros conjuntos de dados de treino para IA. "Queríamos descobrir se estes modelos de IA aprendem realmente os princípios básicos da físico-química utilizando os dados de treino e se os aplicam corretamente", afirma Lill.
A mesma previsão para sítios de ligação significativamente alterados
Os investigadores modificaram a sequência de aminoácidos de centenas de amostras de proteínas de tal forma que os locais de ligação dos seus ligandos apresentavam uma distribuição de cargas completamente diferente ou estavam mesmo totalmente bloqueados. No entanto, os modelos de IA previram a mesma estrutura complexa - como se a ligação ainda fosse possível. Os investigadores seguiram uma abordagem semelhante com os ligandos: modificaram-nos de tal forma que já não conseguiam ligar-se à proteína em questão. Este facto também não incomodou os modelos de IA.
Em mais de metade dos casos, os modelos previram a estrutura como se as interferências na sequência de aminoácidos nunca tivessem ocorrido. "Isto mostra-nos que mesmo os modelos de IA mais avançados não compreendem realmente porque é que um fármaco se liga a uma proteína; apenas reconhecem padrões que já viram antes", afirma Lill.
As proteínas desconhecidas são particularmente difíceis
Os modelos de IA enfrentaram dificuldades especiais quando as proteínas não apresentavam qualquer semelhança com os conjuntos de dados de treino. "Quando vêem algo completamente novo, rapidamente ficam aquém das expectativas, mas é precisamente aí que reside a chave para novos medicamentos", sublinha Markus Lill.
Os modelos de IA devem, portanto, ser vistos com cautela quando se trata do desenvolvimento de medicamentos. É importante validar as previsões dos modelos através de experiências ou análises assistidas por computador que tenham efetivamente em conta as propriedades físico-químicas. Os investigadores também utilizaram estes métodos para examinar os resultados dos modelos de IA no decurso do seu estudo.
"A melhor solução seria integrar as leis físico-químicas nos futuros modelos de IA", diz Lill. Com as suas previsões estruturais mais realistas, estes poderiam então fornecer uma melhor base para o desenvolvimento de novos medicamentos, especialmente para estruturas proteicas que até agora têm sido difíceis de elucidar, e abririam a possibilidade de abordagens terapêuticas completamente novas.
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação original
Outras notícias do departamento ciência
