Em uma noite escura, longe da luz da cidade, as estrelas da Via Láctea parecem incalculáveis. Mas de qualquer ponto, não mais do que 4.500 estrelas são visíveis a olho nu. Em nossa galáxia, existem 100-400 bilhões deles, existem ainda mais galáxias no Universo. Acontece que não há muitas estrelas no céu noturno. No entanto, mesmo esse número abre diante de nós um insight profundo … drogas e drogas. O fato é que o número de possíveis compostos orgânicos com propriedades medicinais ultrapassa o número de estrelas do Universo em mais de 30 ordens de magnitude. E as configurações químicas que os cientistas criam a partir de medicamentos existentes são semelhantes às estrelas que podemos ver no centro da cidade à noite.
Encontrar todas as drogas possíveis é uma tarefa árdua para os humanos, assim como o é o estudo de todo o espaço físico, e mesmo que pudéssemos, a maior parte do que foi descoberto não corresponderia aos nossos objetivos. No entanto, a ideia de que drogas milagrosas podem se esconder em meio à abundância é muito tentadora para ignorar.
É por isso que devemos usar inteligência artificial que pode trabalhar mais e acelerar a descoberta. É o que diz Alex Zhavoronkov, que palestrou na Exponential Medicine em San Diego na semana passada. Esta aplicação pode ser a maior para IA na medicina.
Cães, diagnóstico e medicamentos
Zhavoronkov - CEO da Insilico Medicine e CSO Biogerontology Research Foundation. A Insilico é uma das muitas startups desenvolvendo IA que pode acelerar a descoberta de novos medicamentos e drogas.
Nos últimos anos, disse Zhavoronkov, a famosa técnica de aprendizado de máquina - aprendizado profundo - progrediu em várias frentes. Algoritmos capazes de aprender a jogar videogames - como AlphaGo Zero ou o jogador de pôquer Carnegie Mellon - são de grande interesse. Mas o reconhecimento de padrões é o que deu um impulso poderoso ao aprendizado profundo quando os algoritmos de aprendizado de máquina finalmente começaram a distinguir gatos de cães e fazê-lo com rapidez e precisão.
Na medicina, algoritmos de aprendizado profundo treinados em bancos de dados de imagens médicas podem detectar doenças potencialmente fatais com precisão igual ou maior do que os especialistas humanos. Há até especulações de que a IA, se aprendermos a confiar nela, pode ser inestimável no diagnóstico de doenças. E, como Zhavoronkov observou, mais aplicativos estão chegando e o histórico só vai crescer.
Vídeo promocional:
“A Tesla já está levando os carros para a rua”, diz Zhavoronkov. “A tecnologia de três e quatro anos já transporta passageiros do ponto A ao ponto B a uma velocidade de 200 quilômetros por hora; um erro e você está morto. Mas as pessoas confiam suas vidas a esta tecnologia."
"Por que não fazer o mesmo em produtos farmacêuticos?"
Tente e falhe, mais e mais
Na pesquisa farmacêutica, a IA não precisa dirigir um carro. Ele se tornará um assistente que, junto com um químico ou dois, pode acelerar a descoberta de medicamentos percorrendo mais opções em busca de melhores candidatos.
O espaço para otimização e melhoria da eficiência é enorme, disse Zhavoronkov.
Encontrar medicamentos é uma tarefa árdua e cara. Os químicos estão examinando dezenas de milhares de compostos possíveis, em busca do mais promissor. Destes, apenas alguns vão para estudos mais aprofundados e menos ainda serão testados em humanos e, destes, em geral, migalhas serão aprovadas para uso posterior.
Todo esse processo pode levar muitos anos e custar centenas de milhões de dólares.
Esse é um problema de Big Data, e o aprendizado profundo se destaca em Big Data. Os primeiros aplicativos mostraram que os sistemas de IA baseados em aprendizado profundo eram capazes de encontrar padrões sutis em amostras de dados gigantes. Embora os fabricantes de medicamentos já usem software para filtrar compostos, esse software exige regras claras escritas por químicos. As vantagens da IA nessa questão são sua capacidade de aprender e melhorar por conta própria.
“Existem duas estratégias para inovação em IA em produtos farmacêuticos que fornecerão moléculas melhores e aprovação mais rápida”, diz Zhavoronkov. "Um procura uma agulha em um palheiro e o outro cria uma nova agulha."
Para encontrar uma agulha em um palheiro, os algoritmos são treinados em um grande banco de dados de moléculas. Em seguida, procuram moléculas com propriedades adequadas. Mas criar uma nova agulha? Essa oportunidade é fornecida pelas redes adversárias geradoras nas quais Zhavoronkov se especializou.
Esses algoritmos colocam duas redes neurais uma contra a outra. Um gera um resultado significativo e o outro decide se esse resultado é verdadeiro ou falso, diz Zhavoronkov. Coletivamente, essas redes geram novos objetos, como textos, imagens ou, neste caso, estruturas moleculares.
“Começamos a usar essa tecnologia específica para fazer redes neurais profundas imaginarem novas moléculas para torná-las perfeitas desde o início. Precisamos de agulhas perfeitas”, diz Zhavoronkov. "Você pode recorrer a essa rede adversária geradora e pedir a ela para criar moléculas que inibam a proteína X em uma concentração de Y, com a maior viabilidade, características desejadas e efeitos colaterais mínimos."
Zhavoronkov acredita que a IA pode encontrar ou fabricar mais agulhas a partir de uma infinidade de possibilidades moleculares, liberando os químicos humanos para se concentrarem em sintetizar apenas as mais promissoras. Se funcionar, ele espera, podemos aumentar o número de acertos, minimizar erros e, em geral, acelerar o processo.
Na mochila
A Insilico não está sozinha na exploração de novos caminhos para a descoberta de medicamentos, e esta não é uma nova área de interesse. No ano passado, um grupo de Harvard publicou um artigo sobre IA, que também seleciona candidatos entre drogas. O software treinou 250.000 moléculas de drogas e usou sua experiência para criar novas moléculas que misturavam drogas existentes e faziam sugestões com base nas propriedades desejadas. No entanto, conforme observado pelo MIT Technology Review, os resultados obtidos nem sempre são significativos ou facilmente sintetizados no laboratório, e a qualidade desses resultados, como sempre, é tão alta quanto a qualidade dos dados fornecidos inicialmente.
O professor de Química da Stanford, Vijay Pande, diz que imagens, fala e texto - que são os assuntos de profundo interesse de aprendizagem no momento - têm dados bons e limpos. Mas os dados de química, por outro lado, ainda são otimizados para aprendizado profundo. Além disso, embora existam bancos de dados públicos, muitos dos dados ainda vivem por trás das portas fechadas de empresas privadas.
Para superar todos os obstáculos, a empresa de Zhavoronkov está focada na validação de tecnologia. Mas neste ano, o ceticismo na indústria farmacêutica parece estar dando lugar a juros e investimentos. Até o Google pode entrar na corrida.
Com o avanço da IA e do hardware, o maior potencial ainda precisa ser desbloqueado. Talvez um dia todas as 1.060 moléculas do domínio da droga estejam à nossa disposição.
Ilya Khel
