Inteligência Artificial Aprende Química Para Prever Como Fazer Medicamentos

Pesquisadores projetaram um algoritmo de aprendizado de máquina que prevê o resultado de reações químicas com uma precisão muito maior do que os químicos treinados e sugere maneiras de criar moléculas complexas, removendo um obstáculo significativo na descoberta de medicamentos.

Pesquisadores da Universidade de Cambridge mostraram que um algoritmo pode prever os resultados de reações químicas complexas com mais de 90% de precisão, superando os químicos treinados. O algoritmo também mostra aos químicos como fazer compostos alvo, fornecendo o “mapa” químico para o destino desejado. Os resultados são relatados em dois estudos nas revistas ACS Central Science e Chemical Communications.

Um desafio central na descoberta de drogas e na ciência dos materiais é encontrar maneiras de criar moléculas orgânicas complicadas, unindo quimicamente blocos de construção mais simples. O problema é que esses componentes geralmente reagem de maneiras inesperadas.

“A fabricação de moléculas é frequentemente descrita como uma arte realizada com experimentação por tentativa e erro, porque nosso entendimento da reatividade química está longe de ser completo”, disse o Dr. Alpha Lee, do Cavendish Laboratory de Cambridge, que liderou os estudos. “Os algoritmos de aprendizado de máquina podem ter uma melhor compreensão da química porque destilam padrões de reatividade de milhões de reações químicas publicadas, algo que um químico não pode fazer”.

O algoritmo desenvolvido por Lee e seu grupo utiliza ferramentas no reconhecimento de padrões para reconhecer como os grupos químicos nas moléculas reagem, treinando o modelo em milhões de reações publicadas em patentes.

Os pesquisadores encararam a previsão de reação química como um problema de tradução automática. As moléculas reagentes são consideradas como um idioma, enquanto o produto é considerado como um idioma diferente. O modelo usa os padrões no texto para aprender a traduzir entre os dois idiomas.

Usando essa abordagem, o modelo atinge 90% de precisão na previsão do produto correto de reações químicas invisíveis, enquanto a precisão de químicos humanos treinados é de cerca de 80%. Os pesquisadores dizem que o modelo é preciso o suficiente para detectar erros nos dados e prever corretamente uma infinidade de reações difíceis.

O modelo também sabe o que não sabe. Produz uma pontuação de incerteza, que elimina previsões incorretas com 89% de precisão. Como as experiências demoram, a previsão precisa é crucial para evitar a busca de caminhos experimentais caros que acabam por falhar.

No segundo estudo, Lee e seu grupo, colaborando com a empresa biofarmacêutica Pfizer, demonstraram o potencial prático do método na descoberta de medicamentos.

Os pesquisadores mostraram que, quando treinado em pesquisa química publicada, o modelo pode fazer previsões precisas de reações com base em cadernos de laboratório, mostrando que o modelo aprendeu as regras da química e pode aplicá-las às configurações de descoberta de drogas.

A equipe também mostrou que o modelo pode prever sequências de reações que levariam a um produto desejado. Eles aplicaram essa metodologia a diversas moléculas semelhantes a drogas, mostrando que os passos que ela prevê são quimicamente razoáveis. Essa tecnologia pode reduzir significativamente o tempo de descoberta pré-clínica de medicamentos, pois fornece aos médicos um plano de onde começar.

“Nossa plataforma é como um GPS para química”, disse Lee, que também é pesquisador do St. Catharine’s College. “Ele informa aos químicos se uma reação é factível ou não, e como navegar pelas rotas de reação para formar uma nova molécula”.

Os pesquisadores de Cambridge estão atualmente usando essa tecnologia de previsão de reação para desenvolver uma plataforma completa que cria uma ponte entre o ciclo de projeto e teste na descoberta de medicamentos e na descoberta de materiais: prever moléculas bioativas promissoras, maneiras de criar essas moléculas orgânicas complexas e selecionar os experimentos a serem realizados. Os pesquisadores agora estão trabalhando para extrair informações químicas do modelo, tentando entender o que ele aprendeu e que os humanos ainda não.

“Podemos potencialmente fazer muito progresso na química se aprendermos que tipos de padrões o modelo está olhando para fazer uma previsão”, disse Peter Bolgar, Ph.D. estudante de química orgânica sintética envolvida nos dois estudos. “O modelo e os químicos humanos juntos se tornariam extremamente poderosos na criação de experimentos, mais do que um seria sem o outro”.

Confira nossa mais nova formação: