A startup Skoltech ultrapassa a IA vencedora do Prémio Nobel no rastreio virtual de medicamentos

O algoritmo Matcha é descrito no preprint. Para permitir a verificação independente dos resultados e a integração do Matcha nos processos de I&D existentes, os investigadores disponibilizaram abertamente o manuscrito, o código e os pesos do modelo.

Como é que os medicamentos funcionam a nível molecular?

As doenças ocorrem frequentemente quando uma ou mais proteínas do organismo deixam de funcionar corretamente. Uma proteína "avariada" ou em mau funcionamento é designada por alvo terapêutico, e o fármaco visa alterar a atividade do seu alvo, interagindo com ele. Devido às suas propriedades, as moléculas de fármaco ligam-se seletivamente a uma cavidade na proteína chamada bolsa de ligação. A bolsa de ligação é como um buraco de fechadura. Se a molécula de fármaco tiver a forma e as propriedades químicas corretas, entrará na bolsa como uma chave e alterará a atividade da proteína.

O que é o acoplamento molecular e como é utilizado?

Os investigadores utilizam o docking molecular, uma técnica computacional que associa moléculas a proteínas sem experiências laboratoriais, para encontrar ou conceber a "chave". Este método avalia a forma como uma molécula pode encaixar na bolsa de uma proteína com base na sua forma e propriedades químicas.

O docking tornou-se parte integrante do rastreio virtual, que é um método rápido, assistido por computador, de seleção de milhões de compostos para encontrar candidatos a medicamentos promissores. O teste virtual de potenciais candidatos antes de os levar para o laboratório pode poupar anos de trabalho e milhões de dólares.

A falta de estruturas proteicas 3D exactas é um obstáculo comum à acoplagem. Em 2020, a DeepMind apresentou o AlphaFold, um sistema de IA capaz de prever estruturas proteicas 3D com elevada precisão. Esta descoberta valeu aos seus criadores o Prémio Nobel da Química de 2024, dando início a uma nova era na biologia computacional.

A velocidade é essencial

Mesmo com estruturas de proteínas 3D prontamente disponíveis, fazer corresponder rapidamente milhões de moléculas a proteínas continua a ser um desafio computacional significativo. O Matcha supera o AlphaFold3 por uma grande margem, processando um único complexo proteína-ligante em 13 segundos, em comparação com os 6,5 minutos do AlphaFold3. O AlphaFold3 leva quatro meses e meio de computação contínua para trabalhar com uma base de dados de milhões de compostos, enquanto o Matcha consegue completar esta tarefa em menos de oito dias. Isto significa que o Matcha é 30 vezes mais rápido, ao mesmo tempo que oferece uma precisão comparável; além disso, o Matcha oferece resultados fisicamente mais fiáveis. Isto torna o pesado rastreio virtual viável mesmo para centros de investigação de média dimensão.

Matcha verifica com precisão a localização da molécula dentro da proteína, passo a passo. Primeiro, ele determina a posição aproximada da molécula e, em seguida, ajusta sua rotação e torções internas. As configurações previstas são minimizadas com um método GNINA sensível à física, enquanto a verificação incorporada descarta automaticamente as configurações fisicamente irrealistas. As posições restantes são classificadas pela afinidade GNINA prevista para selecionar a melhor. Matcha demonstrou previsões altamente precisas e fisicamente fiáveis ao processar conjuntos de dados padrão, mantendo uma velocidade recorde.

"O desenvolvimento de medicamentos é um processo longo, de capital intensivo e de alto risco. Um projeto pode ser interrompido em qualquer fase, mesmo depois de terem sido investidos tempo e esforços significativos. Mesmo assim, os métodos computacionais podem otimizar particularmente bem as fases iniciais. A nossa missão é criar ferramentas eficazes baseadas em IA que estabeleçam um quadro computacional abrangente nas fases iniciais do desenvolvimento de medicamentos. Melhorar a eficiência desta fase aumenta a probabilidade de sucesso e acelera o lançamento de novos medicamentos no mercado", disse Marina Pak, co-fundadora e CEO da Ligand Pro e aluna da Skoltech.

"Em apenas três anos, passámos da proposta de uma ideia e da criação de uma equipa para a obtenção de resultados que mudaram o jogo. Continuamos a desenvolver o Matcha e a abordar tarefas relacionadas, incluindo a geração de moléculas, a previsão e a otimização das suas propriedades. O nosso próximo passo é validar a nossa solução experimentalmente em pipelines reais de I&D e, em seguida, avançar com a implementação industrial", afirmou Daria Frolova, diretora de aprendizagem automática da Ligand Pro e aluna de doutoramento em Ciência e Engenharia Computacional e de Dados da Skoltech.