Descoperirea unui nou agent terapeutic presupune testarea potenţialului de legare (în engl. „binding”) al moleculelor mici la ţinte proteice, un proces esenţial, dar costisitor din punctul de vedere al timpului şi al resurselor. O nouă abordare inovatoare, propusă de o companie de inteligenţă artificială (AI), derivată din Google şi sprijinită financiar de Nvidia, urmăreşte înlocuirea experimentelor fizice cu generarea de date moleculare sintetice, utilizate pentru antrenarea unor modele predictive rapide şi precise.
Descoperirea de noi medicamente este un proces complex, costisitor şi de durată, în care testarea capacităţii moleculelor mici de a se lega de proteine-ţintă reprezintă un pas esenţial.
În acest context, compania SandboxAQ propune o abordare revoluţionară şi anume, generarea de date moleculare tridimensionale sintetice pentru a accelera această etapă importantă în descoperirea unor noi medicamente.
Prin utilizarea algoritmilor de învăţare profundă, antrenaţi pe volume mari de date, soluţia propusă înlocuieşte testele clasice de laborator cu predicţii digitale de înaltă fidelitate, privind capacitatea de legare a unei molecule la o proteină-ţintă.
Cu ajutorul simulărilor computerizate, au fost generate 5,2 milioane de structuri moleculare 3D, construite pe baza unor ecuaţii calibrate anterior cu ajutorul datelor experimentale. Aceste structuri au fost etichetate cu valori reale de afinitate de legare, permiţând reţelelor neuronale să înveţe relaţiile relevante dintre geometria moleculară şi interacţiunile biologice.
Rezultatul este un sistem capabil să prezică, într-un timp extrem de scurt, interacţiuni moleculare relevante pentru designul de noi agenţi terapeutici.
O trăsătură-cheie al acestui demers este capacitatea de extindere la scară largă: milioane de combinaţii moleculă-proteină pot fi evaluate digital, într-un interval mult mai redus decât în experimentele tradiţionale.
Costurile sunt diminuate substanţial, iar accesibilitatea procesului creşte. Modelele sunt susţinute de infrastructura Nvidia DGX, ceea ce permite o accelerare majoră a prelucrării datelor, depăşind performanţele sistemelor convenţionale de calcul cu până la 80 de ori.
Această tehnologie aduce beneficii considerabile cercetării farmacologice, pentru că facilitează identificarea rapidă a compuşilor promiţători, cu profil favorabil de eficacitate şi siguranţă, şi optimizează fazele preclinice de testare a acestor compuşi.
În plus, utilizarea de date sintetice, dar etichetate cu informaţii validate experimental, creşte şansele ca rezultatele să poată fi obţinute din nou, cu aceleaşi concluzii, de fiecare dată când se repetă experimentul, aspecte esenţiale în procesul dezvoltării medicamentelor.
Modelele dezvoltate sunt accesibile prin platforme cloud şi pot fi integrate cu uşurinţă în procesele existente din industria farmaceutică sau în centrele de cercetare.
Totodată, această tehnologie pregăteşte terenul pentru integrarea, pe viitor, a calculului cuantic, care are potenţialul de a transforma radical simularea comportamentului moleculelor (a structurii şi interacţiunilor moleculare) şi proiectarea digitală a compuşilor chimici.
Totuşi, folosirea datelor sintetice în medicină ridică provocări legate de validarea clinică, de reglementările în vigoare şi de acceptarea aceastora de către organisme precum Administraţia americană pentru Alimente şi Medicamente (FDA) sau Agenţia Europeană a Medicamentului (EMA).
Va fi necesar un cadru clar şi riguros pentru integrarea sigură a acestor tehnologii în procesele oficiale de dezvoltare a medicamentelor.
În concluzie, această strategie bazată pe simulări moleculare 3D şi AI antrenată cu date reale reprezintă o direcţie promiţătoare pentru accelerarea procesului de descoperire a medicamentelor.
Prin reducerea timpului şi a costurilor, AI deschide calea spre o cercetare mai eficientă, cu impact direct asupra medicinei personalizate şi a noilor tratamente.
