paint-brush
Descoberta de drogas de IA: como isso está mudando o jogopor@itrex
574 leituras
574 leituras

Descoberta de drogas de IA: como isso está mudando o jogo

por ITRex10m2023/01/27
Read on Terminal Reader

Muito longo; Para ler

Os investimentos na descoberta de medicamentos com IA saltaram de US$ 450 milhões em 2014 para US$ 58 bilhões em 2021. Todos os gigantes farmacêuticos, incluindo Bayer, AstraZeneca, Takeda, Sanofi, Merck e Pfizer, aumentaram os gastos na esperança de criar uma IA da nova era soluções.
featured image - Descoberta de drogas de IA: como isso está mudando o jogo
ITRex HackerNoon profile picture

A descoberta de drogas de IA está explodindo.


Exagerados ou não, os investimentos na descoberta de medicamentos com IA saltaram de US$ 450 milhões em 2014 para incríveis US$ 58 bilhões em 2021. Todos os gigantes farmacêuticos, incluindo Bayer, AstraZeneca, Takeda, Sanofi, Merck e Pfizer, aumentaram os gastos na esperança de criar soluções de IA da nova era que trarão economia, velocidade e precisão ao processo.


A descoberta de medicamentos tradicionais tem sido notoriamente difícil. Leva pelo menos 10 anos e custa US$ 1,3 bilhão para trazer um novo medicamento ao mercado. E este é apenas o caso de medicamentos bem-sucedidos em ensaios clínicos (apenas um em cada dez o faz).


Daí o interesse em encontrar novas formas de descobrir e projetar drogas.


A IA já ajudou a identificar candidatos terapêuticos promissores e não levou anos, mas meses ou até dias.


Neste artigo, exploraremos como a descoberta de medicamentos com IA está mudando o setor. Veremos histórias de sucesso, benefícios e limitações da IA. Vamos.

Como as drogas são descobertas

O processo de descoberta de medicamentos geralmente começa com os cientistas identificando um alvo no corpo, como uma proteína ou hormônio específico, que está envolvido na doença. Em seguida, eles usam métodos diferentes para encontrar uma solução possível, um candidato a medicamento, incluindo:


  1. Triagem de compostos existentes : Os cientistas podem rastrear bibliotecas de compostos (produtos naturais ou químicos) que eles fizeram antes, para verificar se algum deles tem a atividade desejada ou interação com o alvo.
  2. Projeto de novo medicamento : eles podem usar modelagem e simulação de computador para desenvolver novos compostos químicos que podem fazer o trabalho. Essa abordagem é usada para criar drogas de moléculas pequenas, que são compostos quimicamente sintetizados com menos de 1.500 daltons de tamanho.
  3. Biológicos : os pesquisadores também podem gerar moléculas biológicas como anticorpos, enzimas ou proteínas para atuar como drogas. Isso envolve isolar ou sintetizar moléculas de organismos vivos que podem interagir com o alvo. Em comparação com moléculas pequenas, essas moléculas são tipicamente maiores e mais complexas.
  4. Reaproveitamento : os cientistas podem dar uma olhada em compostos que foram desenvolvidos para outra coisa e ver se eles têm potencial terapêutico para a doença em questão.


Uma vez encontrado um potencial candidato a medicamento (chamado composto principal), ele é testado em células ou animais, antes de passar para os ensaios clínicos que incluem três fases, começando com pequenos grupos de voluntários saudáveis e depois avançando para grupos maiores de pacientes que sofrem de a condição específica.

Como a IA é aplicada

A Inteligência Artificial abrange várias tecnologias e abordagens que envolvem o uso de métodos computacionais sofisticados para imitar elementos da inteligência humana, como percepção visual, reconhecimento de fala, tomada de decisão e compreensão da linguagem.


A IA começou na década de 1950 como uma série simples de “se, então regras” e chegou à área da saúde duas décadas depois, após o desenvolvimento de algoritmos mais complexos. Desde o advento do aprendizado profundo na década de 2000, as aplicações de IA na área da saúde se expandiram.


Algumas tecnologias de IA estão capacitando o design de medicamentos.

Aprendizado de máquina

O aprendizado de máquina (ML) concentra-se no treinamento de algoritmos de computador para aprender com os dados e melhorar seu desempenho, sem ser explicitamente programado.


As soluções de ML abrangem uma gama diversificada de ramificações, cada uma com suas próprias características e metodologias exclusivas. Esses ramos incluem aprendizado supervisionado e não supervisionado, bem como aprendizado por reforço e, dentro de cada um, existem várias técnicas algorítmicas usadas para atingir objetivos específicos, como regressão linear, redes neurais e máquinas de vetores de suporte. O ML tem muitas áreas de aplicação diferentes, uma das quais é no campo da descoberta de drogas de IA, onde permite o seguinte:


  • Triagem virtual de compostos para identificar possíveis candidatos a medicamentos
  • Modelagem preditiva de eficácia e toxicidade de drogas
  • Identificação de novos alvos para o desenvolvimento de medicamentos
  • Análise de dados genômicos e proteômicos em larga escala coletados de organismos vivos (sequências de DNA, níveis de expressão gênica, estruturas de proteínas, etc.)
  • Otimização da dosagem de medicamentos e regimes de tratamento
  • Modelagem preditiva das respostas do paciente ao tratamento

Aprendizado Profundo

Deep Learning (DL) é um subconjunto de ML baseado no uso de redes neurais artificiais (ANNs). As RNAs são compostas de nós interconectados, ou “neurônios”, que são conectados por caminhos, chamados de “sinapses”. Como no cérebro humano, esses neurônios trabalham juntos para processar informações e fazer previsões ou decisões. Quanto mais camadas de neurônios interconectados uma rede neural tiver, mais “profunda” ela será.


Ao contrário dos algoritmos de aprendizado supervisionados e semissupervisionados que podem identificar padrões apenas em dados estruturados, os modelos DL são capazes de processar grandes volumes de dados não estruturados e fazer previsões mais avançadas com pouca supervisão de humanos.


Na descoberta de medicamentos de IA, o DL é usado para:


  • Triagem virtual aprimorada de bibliotecas de compostos para identificar acertos com maior probabilidade de se ligar a um alvo
  • Perfil baseado em imagem para entender fenótipos associados a doenças, mecanismos de doenças ou toxicidade de um medicamento
  • Previsão mais precisa de como um medicamento será absorvido, distribuído, metabolizado e excretado do corpo (propriedades farmacocinéticas)
  • Previsão de interações droga-alvo e afinidade de ligação
  • Previsão da estrutura de proteínas que respondem pela maioria dos alvos de drogas atualmente identificados
  • Geração de novos compostos semelhantes a drogas com as propriedades físicas, químicas e de bioatividade desejadas
  • Automação de processos de ensaios clínicos e design de protocolo

Processamento de Linguagem Natural (PNL)

A PNL conta com uma combinação de técnicas de lingüística, matemática e ciências da computação, incluindo modelos DL, para analisar, entender e gerar a linguagem humana. A pesquisa de descoberta de drogas de IA geralmente usa o NLP para extrair informações de dados estruturados e não estruturados para realizar o seguinte:


  1. Mineração de texto da literatura científica para identificar associações entre entidades químicas/medicamentosas, seus alvos e novos caminhos relacionados a doenças
  2. Extrair informações estruturadas de registros eletrônicos de saúde (EHRs) não estruturados, como dados demográficos, diagnósticos e medicamentos do paciente
  3. Identificação de eventos adversos a medicamentos por meio da análise de dados de texto de mídias sociais, artigos de notícias e outras fontes
  4. Determinar critérios de elegibilidade para ensaios clínicos com base em protocolos e combinar pacientes com os ensaios
  5. Resumindo informações sobre medicamentos

Por que a descoberta de medicamentos com IA é o assunto da cidade agora

Nos últimos dois anos, empresas do setor farmacêutico tomaram medidas para incorporar a IA em seus métodos de pesquisa. Isso inclui a criação de equipes internas de IA, contratação de profissionais de saúde e analistas de dados de IA, apoio a startups com foco em IA e parceria com empresas de tecnologia ou centros de pesquisa.


Uma combinação de fatores está impulsionando essa tendência.

O crescente poder dos computadores e novos desenvolvimentos de IA

Avanços tecnológicos recentes mudaram o foco tradicional da pesquisa de descoberta de medicamentos com IA.

Como a maioria das empresas do setor (cerca de 150 em 2022, segundo o BiopharmaTrend AI Report ) continua ocupada com o design de pequenas moléculas, fáceis de representar computacionalmente e comparar em escala, também há um interesse crescente em novas aplicações de IA na descoberta de drogas.


Muitas empresas estão começando a adotar a IA para projetar produtos biológicos (77 empresas) e descobrir biomarcadores que indicam a presença ou progressão de uma doença (59). Outros estão focados na construção de plataformas abrangentes de descoberta de drogas de IA, identificando novos alvos ou criando ontologias – representações estruturadas de relacionamentos entre diferentes entidades, como compostos químicos, proteínas e doenças.

Ampliando o acesso a ferramentas de IA

Como a escassez de talentos em IA não mostra sinais de diminuir, as barreiras de entrada para a descoberta de drogas de IA realmente diminuíram. Os fornecedores de tecnologia e os gigantes farmacêuticos estão lançando plataformas de IA cada vez mais sofisticadas, incluindo sistemas sem código e de arrastar e soltar prontos para uso que permitem que especialistas que não são de IA integrem inteligência artificial em suas pesquisas. Esses desenvolvimentos estão desempenhando um papel importante na adoção acelerada da IA pela indústria.

Histórias de sucesso habilitadas para IA

Os projetos de descoberta de medicamentos com IA realizados na academia e na indústria já produziram os primeiros resultados bem-sucedidos em toda a cadeia de valor da descoberta de medicamentos. Exemplos incluem:


  • A DeepMind construiu o sistema de IA AlphaFold que pode prever a estrutura 3D de uma proteína a partir de sua sequência unidimensional de aminoácidos em segundos, em vez de meses ou anos que normalmente levaria. O sistema foi usado para prever mais de 200 milhões de estruturas de proteínas pertencentes a animais, plantas, bactérias, fungos e outros organismos.
  • Pesquisadores da Universidade de Washington desenvolveram um modelo de aprendizado profundo que usa computadores de jogos para calcular estruturas de proteínas em 10 minutos.
  • A Deep Genomics usou tecnologias de IA para rastrear mais de 2.400 doenças e 100.000 mutações para prever o mecanismo exato causador da doença em uma mutação da doença de Wilson e criar um medicamento DG12P1 em 18 meses.
  • A Aladdin lançou uma plataforma proprietária de descoberta de medicamentos com IA para uso comercial em triagem virtual, hit-to-lead, otimização de leads e fase pré-clínica. Essa plataforma ajudou Aladdin a identificar vários compostos de medicamentos para um tratamento potencial de doenças relacionadas à idade.
  • A IBM desenvolveu o sistema Watson com recursos de computação cognitiva que é usado pela indústria farmacêutica para combinar pacientes com os testes clínicos adequados para sua condição. Em um ensaio clínico para câncer de mama, a plataforma demonstrou um aumento de 80% nas inscrições e uma redução no tempo de correspondência do ensaio.
  • Demorou menos de três meses para a AbCellera desenvolver um anticorpo monoclonal para neutralizar variantes virais do COVID-19 e obter a aprovação da Food and Drug Administration (FDA) dos EUA.
  • A BenevolentAI combinou seu gráfico de conhecimento com ferramentas de IA para descobrir o baricitinibe como um possível tratamento para COVID-19 em vários dias.
  • A BioXcel Therapeutics acelerou a descoberta da dexmedetomidina como sedativo para pacientes com esquizofrenia e transtornos bipolares. A empresa obteve a aprovação da FDA para seu filme sublingual proprietário de dexmedetomidina (IgalmiTM) em menos de quatro anos após seus primeiros testes em humanos.
  • Usando IA, a Exscientia projetou três pequenas moléculas para entrar em ensaios clínicos ao longo de dois anos (para o tratamento da psicose da doença de Alzheimer, transtorno obsessivo-compulsivo e imuno-oncologia).
  • No início de 2023, a Insilico relatou resultados positivos em um ensaio clínico de Fase 1 da primeira nova molécula projetada por IA para um novo alvo descoberto por IA para tratar a fibrose pulmonar idiopática (FPI).
  • Em 2021, 13 produtos biológicos derivados de IA chegaram ao estágio clínico, com suas áreas de terapia incluindo COVID-19, oncologia e neurologia.

Benefícios e desafios na descoberta de medicamentos com IA

A IA é uma ferramenta poderosa que promete revolucionar a indústria farmacêutica. Com sua capacidade de analisar grandes quantidades de dados e fazer previsões, a inteligência artificial pode ajudar os pesquisadores a superar os obstáculos que há muito impedem o processo de descoberta de medicamentos, permitindo:


  • Cronogramas reduzidos para estágios de descoberta e pré-clínicos
  • Previsões mais precisas sobre a eficácia e segurança dos medicamentos
  • Novos insights imprevistos sobre os efeitos das drogas e doenças
  • Novas linhas de pesquisa e novas estratégias de P&D
  • Economia de custos por meio de análise e automação mais rápidas


De acordo com a Insider Intelligence, a IA pode economizar até 70% dos custos de descoberta de medicamentos para a indústria farmacêutica. O potencial da IA na descoberta de medicamentos é realmente empolgante, mas existem alguns obstáculos que precisam ser resolvidos primeiro para explorá-la ao máximo.

Dados

Quando se trata de IA, sempre se trata de dados de entrada. Silos de dados e sistemas legados que não permitiriam sua consolidação são grandes obstáculos para a pesquisa de IA em qualquer domínio. Na indústria farmacêutica, o problema pode ser ainda mais acentuado.


As empresas farmacêuticas têm sido tradicionalmente ruins em compartilhar dados , sejam resultados de estudos clínicos ou informações não identificadas de pacientes, enquanto os dados que eles possuem podem fornecer respostas a perguntas que o pesquisador original nunca considerou.


Quando se trata de compartilhar dados, eles geralmente são incompletos, inconsistentes ou tendenciosos, como é o caso dos conjuntos de dados usados para prever as afinidades de ligação proteína-ligante que são cruciais para a descoberta de medicamentos. Em alguns casos, os dados podem nem refletir toda a população e o modelo de IA pode ser insuficiente em cenários do mundo real.

Complexidade

A enorme complexidade dos sistemas biológicos dificulta a análise e as previsões habilitadas por IA de mudanças temporais e espaciais em seu comportamento.


Existe um grande número de interações complexas e dinâmicas nos sistemas biológicos, onde cada elemento, como proteínas, genes e células, pode ter múltiplas funções e ser afetado por múltiplos fatores, incluindo variações genéticas, condições ambientais e estados de doença.

As interações entre diferentes elementos também podem ser não lineares, o que significa que pequenas alterações em um elemento podem levar a grandes alterações no sistema geral. Por exemplo, um único gene que controla a divisão celular pode ter um grande impacto no crescimento de um tumor, ou interações entre múltiplas proteínas podem levar ao desenvolvimento de estruturas altamente específicas e complexas, como o citoesqueleto de uma célula.


Outro desafio é a falta de pessoal qualificado para lidar com ferramentas de descoberta de drogas de IA.

Interpretabilidade

O uso de redes neurais na descoberta de drogas de IA ultrapassou os limites do que é possível, mas a falta de sua interpretabilidade representa um desafio significativo. Chamados de caixas pretas, esses modelos de IA podem produzir as previsões mais precisas possíveis, mas mesmo os engenheiros não conseguem explicar o raciocínio por trás deles. Isso é particularmente desafiador no aprendizado profundo, onde a complexidade de entender a saída de cada camada aumenta à medida que o número de camadas aumenta.

Essa falta de transparência pode levar a soluções falhas e reduzir a confiança na IA entre pesquisadores, profissionais médicos e órgãos reguladores. Para enfrentar esse desafio, há uma necessidade crescente de desenvolvimento de IA explicável e confiável.

Empacotando

Novos medicamentos que estão mudando o jogo para os pacientes continuam a surgir.


Apenas 15 anos após o HIV ter sido identificado como a causa da AIDS na década de 1980, a indústria farmacêutica desenvolveu uma terapia com vários medicamentos que permite que as pessoas afetadas pelo vírus tenham uma vida normal. O Gleevec da Novartis prolonga a vida de pacientes com leucemia. Incivek da Vertex Pharmaceuticals dobrou as taxas de cura da hepatite C. O Keytruda da Merck reduz em 35% o risco de recidiva do câncer após os pacientes terem feito cirurgia para extirpar o melanoma.


Mas nem todos os novos medicamentos são criados iguais.


Uma análise recente de mais de 200 novos medicamentos realizada na Alemanha revelou que apenas 25% ofereceram vantagens significativas sobre os tratamentos existentes. As drogas restantes produziram benefícios mínimos ou nenhum, ou seu impacto foi incerto.


Dada a natureza cara e demorada da descoberta de medicamentos, fica claro que a indústria farmacêutica precisa de grandes mudanças. E é aí que a descoberta de drogas de IA pode desempenhar um papel. Há todas as chances de que a inteligência artificial possa fazer uma contribuição transformacional que vá além da aceleração do tempo até a clínica.


Pensando em seu próprio projeto de descoberta de drogas de IA? Deixe-nos cair uma linha . Com anos de experiência na criação de soluções de IA para a área da saúde, somos o seu parceiro certo.