Laboratório e Análises

Quimioinformática: Um Olhar Sobre a Pesquisa de Fármacos

Quimica e Derivados
14 de novembro de 2018
    -(reset)+

    Química e Derivados, Quimioinformática e Aprendizado de Máquinas: Um Olhar Sobre a Pesquisa e o Desenvolvimento de Fármacos

    Os avanços científicos das últimas décadas transformaram significativamente a indústria farmacêutica. O setor foi estimulado a englobar de maneira crescente em seus processos de pesquisa e desenvolvimento (P&D) abordagens resultantes de progressos notáveis realizados nas áreas da genômica e biologia molecular.1 Estes campos do conhecimento, além de terem levado a avanços significativos na compreensão dos aspectos moleculares envolvidos no surgimento das doenças, fomentaram vigorosamente a expansão dos recursos tecnológicos disponíveis para a pesquisa farmacêutica. Outros fatores que impactaram o setor de forma significativa foram a automação dos processos, cujo melhor exemplo é a triagem automatizada em larga escala, aliada ao desenvolvimento de novos métodos de síntese orgânica, como a química combinatória.2 Se por um lado estes avanços resultaram na ampliação do poder de inovação da indústria, por outro, causaram um aumento expressivo na complexidade do processo de P&D. Outro resultado da incorporação destas tecnologias foi o crescimento exponencial da velocidade de geração de dados que, assim como em outras atividades econômicas, levaram ao fenômeno conhecido como explosão de dados ou big data. Neste contexto, o desenvolvimento de ferramentas capazes de extrair correlações e gerar modelos preditivos a partir de grandes volumes de informação se tornou uma questão central para o setor farmacêutico. Uma das soluções encontradas foi investir substancialmente no incremento, aperfeiçoamento e aplicação de abordagens computacionais para o gerenciamento e o tratamento de dados (Figura 1).3

    Inteligência artificial é a expressão utilizada para designar sistemas computacionais concebidos para a extração de conhecimento de um conjunto de informações, almejando a solução de um problema.4 Especificamente, para dados químicos, usamos o termo quimioinformática. Entre suas muitas aplicações, incluem-se a geração de modelos de relações entre a estrutura e atividade e a estrutura e propriedade (respectivamente, QSAR e QSPR, nas siglas inglesas para Quantitative Structure-Activity e Structure-Property Relationships).5 As bases para o desenvolvimento da quimioinformática foram lançadas entre as décadas de 1950 e 1960.6 Progressos importantes ocorreram nos anos 1980 e 1990 e, a partir do século XXI, o seu uso em P&D de fármacos explodiu. Neste período, estabeleceram-se condições muito favoráveis para o uso em larga escala desta tecnologia na área farmacêutica. Ao longo deste processo, a introdução do fator big data demandou a evolução das ferramentas existentes rumo aos métodos mais robustos que atualmente são componentes fundamentais nas plataformas de P&D da indústria farmacêutica.7

    Um dos conceitos em quimioinformática mais promissores da atualidade é o chamado aprendizado de máquinas.8 No sentido mais amplo da expressão, o aprendizado de máquinas visa o aperfeiçoamento da capacidade de sistemas computacionais de tomar decisões.9 As bases de sua arquitetura moderna foram desenvolvidas entre 1960 e 1980 e em muitas atividades econômicas esta abordagem vem sendo aplicada com muito êxito; um bom exemplo é o marketing.10 Dentre as categorias nas quais o aprendizado de máquinas se divide, destacam-se as redes neurais – algoritmos que buscam mimetizar a estrutura das conexões do cérebro humano para que computadores apreendam o mundo da maneira que nós o fazemos.11 Para isso, a rede neural é alimentada com um conjunto de eventos para que se torne capaz de tomar decisões e fazer predições acerca de eventos relacionados, porém novos. O algoritmo pode, por exemplo, ser treinado com um grupo de imagens e então reconhecer e classificar novas imagens de acordo com critérios predeterminados. A adição de sistemas de retroalimentação (feedback loops) possibilita o aprendizado da rede, ou seja, ao ser informado sobre os acertos e os erros de suas decisões, o sistema se adapta e modifica sua abordagem quando testado novamente.12

    Um método avançado de aprendizado de máquinas é o chamado aprendizado profundo, uma evolução das redes neurais que está entre as tecnologias mais valorizadas do momento. Demonstrando performance superior a outros sistemas, esta inovação tem feito muito sucesso em áreas como o reconhecimento de voz e imagem e o processamento de linguagens naturais.13 No nosso cotidiano, o aprendizado profundo encontra-se presente nos aplicativos de busca e compras online, sugerindo novos produtos com base nas informações que fornecemos a todo momento ao acessar a internet. Aplicações em P&D de fármacos são recentes e têm sido exploradas na predição de propriedades moleculares (QSPR) e atividade farmacológica (QSAR), análise de rotas sintéticas, e planejamento de novos compostos.14



    Recomendamos também:








    0 Comentários


    Seja o primeiro a comentar!


    Deixe uma resposta

    O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *