A IA acelera as simulações moleculares em 10 000 vezes

O desenvolvimento de um novo medicamento demora frequentemente mais de dez anos, desde a ideia inicial até ao medicamento acabado, antes de chegar aos doentes. Uma grande parte dos custos e do tempo envolvidos concentra-se nas fases iniciais, uma vez que é necessário realizar uma infinidade de testes para identificar os candidatos mais promissores. Frequentemente, são necessários vários estudos nos quais milhares de moléculas são analisadas – mas apenas uma fração delas passa para a fase seguinte. 

Tradicionalmente, os movimentos das moléculas têm sido simulados utilizando o que se conhece como dinâmica molecular, em que os investigadores calculam as forças entre todos os átomos passo a passo e os movem um pouquinho de cada vez. Para que os cálculos sejam estáveis, cada passo deve ser extremamente curto, aproximadamente um femtossegundo (10⁻¹⁵ segundos). Uma vez que os processos que interessam para o desenvolvimento de medicamentos decorrem em escalas de tempo muito mais longas, são necessários milhares de milhões de passos, o que torna as simulações computacionalmente muito exigentes.  

Grandes mudanças provocadas pela IA 

A utilização da IA permite agora aos investigadores detetar alterações moleculares sem terem de realizar cálculos numéricos. A aprendizagem automática pode acelerar cada etapa do cálculo, e os modelos generativos podem ser utilizados para gerar diretamente estruturas moleculares plausíveis sem simular o seu movimento.  

Um grupo de investigadores da Universidade de Tecnologia de Chalmers e da Universidade de Gotemburgo, na Suécia, deu agora mais um passo em frente ao desenvolver um novo modelo de IA que poderá, a longo prazo, tornar os testes de desenvolvimento de medicamentos ainda mais eficientes. O novo modelo é mais de 10 000 vezes mais rápido do que as simulações convencionais.  

«O que distingue o nosso modelo de IA é o facto de este aprender a dinâmica subjacente em escalas de tempo mais longas. Não só fornece informações sobre as formas que as moléculas assumem, como também sobre a rapidez e as vias através das quais estas transições moleculares ocorrem. Tanto quanto sabemos, esta é a primeira vez que isto é feito de uma forma que funciona para muitas moléculas diferentes», afirma Simon Olsson, líder de investigação e professor associado no Departamento de Ciência da Computação e Engenharia da Universidade de Tecnologia de Chalmers e da Universidade de Gotemburgo. 

Milhares de moléculas foram testadas 

O estudo analisou mais de 12 500 moléculas orgânicas, tais como as que contêm átomos de carbono, azoto, hidrogénio e oxigénio. Foram também estudados mais de mil peptídeos curtos: moléculas constituídas por cadeias curtas de aminoácidos que compõem as proteínas. O modelo de IA aprendeu como as moléculas se comportam normalmente e, por isso, conseguiu avançar rapidamente nas simulações. Os resultados continuam a ser consistentes com as leis da física.  

«Treinamos o modelo utilizando exemplos simulados de como os átomos numa molécula se movem ao longo do tempo. Com base nessas sequências, o modelo aprende as regras subjacentes que regem o movimento das moléculas e pode então prever como novas moléculas se comportarão», afirma Simon Olsson. 

Os investigadores compararam os resultados e conclusões do modelo com estudos anteriores sobre evolução molecular. 

«Validámos os resultados utilizando simulações de pós-processamento exaustivas para os corroborar com algoritmos numéricos padrão. E são consistentes entre si», afirma Simon Olsson.  

É possível prever mudanças 

Embora o modelo de IA não se baseie em imagens reais, os investigadores descrevem os resultados como uma forma de saltar entre cenas em «filmes moleculares», em vez de verem cada fotograma em sequência. 

O modelo de IA constitui a base para as previsões computacionais que os investigadores fazem posteriormente em laboratório.  

«Lá, medimos coisas muito específicas: as propriedades das moléculas, o quão “felizes” elas estão por estarem numa determinada solução, ou se, por exemplo, querem atravessar uma membrana para entrar numa célula, mas isso ainda está no futuro», afirma Simon Olsson. 

Um dos principais pontos fortes é que o modelo pode ser aplicado a moléculas que nunca encontrou durante o seu treino, uma vez que aprendeu regras gerais que regem o movimento molecular, em vez de memorizar sistemas individuais.  

«Existe um certo padrão que o modelo nos ajuda a identificar. O modelo de IA baseia-se numa série de exemplos, nos quais apenas observa o que acontece durante um período de dezenas de nanossegundos. No entanto, consegue prever as propriedades e as alterações nas moléculas que ocorrem durante um período mil vezes mais longo. Assim, com a ajuda da inteligência artificial, podemos determinar o que é provável que aconteça no “futuro molecular”. Ele consegue prever como as moléculas se alteram, mesmo nunca tendo visto o processo a desenrolar-se», afirma Simon Olsson.  

De interesse para a indústria farmacêutica 

«Para podermos prever os fenómenos físicos exibidos pelas moléculas, precisamos de compreender a física subjacente ao comportamento do sistema. Acredito que estamos entre os primeiros a demonstrar isto num sentido geral e a mostrar que é possível», afirma Juan Viguera Diez, doutorando industrial na AstraZeneca, no Departamento de Ciência da Computação e Engenharia da Chalmers e da Universidade de Gotemburgo, e autor principal do artigo. 

Os investigadores estão a constatar um interesse considerável por parte da indústria em simulações que reflitam a realidade com maior precisão e permitam o desenvolvimento mais rápido de novos medicamentos. Uma vez que o novo modelo de IA pode acelerar as simulações moleculares, nas quais é necessário testar um grande número de moléculas potenciais, a equipa de investigação espera que este seja um passo importante para um desenvolvimento de medicamentos mais eficiente.  

«A longo prazo, modelos de IA como o nosso poderão ajudar a identificar candidatos a medicamentos promissores mais rapidamente e a melhorar a precisão nas fases iniciais. O estudo de investigação mostra o que é atualmente possível. Esperamos que isto abra caminho para o desenvolvimento de técnicas mais gerais, que poderão, em última análise, facilitar o desenvolvimento de novos medicamentos e novos tratamentos e, num sentido mais amplo, também melhorar a nossa compreensão das doenças», afirma Juan Viguera Diez. 

Mais sobre o modelo de IA 

O modelo de IA TITO (Transferable Implicit Transfer Operators) é uma estrutura de modelação generativa profunda que aprende as regras estatísticas que regem o movimento molecular diretamente a partir de dados de simulação. Permite prever como as configurações atómicas (a forma como os átomos estão dispostos e se relacionam espacialmente dentro de uma molécula) evoluem ao longo de escalas temporais muito mais rapidamente do que as simulações numéricas convencionais. 

O método foi atualmente testado em pequenos sistemas moleculares em modelos de solventes simplificados e a uma temperatura específica. Está agora a ser desenvolvido para sistemas mais complexos e realistas.