Laboratório e Análises

Quimioinformática: Um Olhar Sobre a Pesquisa de Fármacos

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

    Porque os sistemas de aprendizado profundo estão sendo tratados com tanto entusiasmo e o que os distingue das outras redes neurais? Basicamente, o aprendizado profundo foi idealizado para resolver problemas que envolvam um volume muito elevado de dados, ou seja, para enfrentar o famigerado big data.15 Exemplo: classificar de acordo com tamanho, tipo, origem e conteúdo todos os arquivos de vídeo presentes no banco de dados do Google. Para gerenciar este universo de informações, a arquitetura das redes de aprendizado profundo é mais complexa e possui maior flexibilidade. De forma resumida, as redes neurais são formadas por várias camadas de processamento de dados que possuem funções diferentes: (1) camada de entrada de dados, (2) camadas ocultas e (3) camada de saída. Cada camada é constituída por centenas de nós, ou neurônios, que são as unidades básicas de processamento de dados. Os nós da camada de entrada recebem as informações que, a seguir, são transformadas nos neurônios das camadas ocultas. Por fim, a camada de saída gera a resposta ao problema proposto.16 Algoritmos de aprendizado profundo são mais complexos porque apresentam múltiplas camadas ocultas; as redes neurais convencionais apresentam no máximo duas camadas deste tipo. Além disso, um maior número de neurônios por camada e diversos aperfeiçoamentos que foram introduzidos nos algoritmos possibilitam que os sistemas de aprendizado profundo superem problemas comuns das redes convencionais, dentre eles o super-ajuste (overfitting).15,16

    O uso de redes de aprendizado profundo em P&D de fármacos é um fenômeno recém-chegado e o seu potencial vem sendo explorado tanto no ambiente acadêmico quanto no corporativo. As pesquisas têm se concentrado em diversas áreas, com destaque para o desenvolvimento de novas abordagens para a construção de modelos de QSAR e QSPR. Com o uso de redes de aprendizado profundo, isso pode ser feito utilizando como dados de entrada representações estruturais primárias, tornando desnecessários procedimentos de derivação de descritores moleculares.17 Outro tópico que está no centro das atenções é a automatização do planejamento de novas moléculas, um processo laborioso e particularmente susceptível a erros. Os sistemas de aprendizado profundo têm apresentado resultados superiores a outras ferramentas, principalmente, por serem capazes de gerar moléculas quimicamente válidas, acessíveis sinteticamente e com propriedades adequadas para fins terapêuticos.18

    As redes neurais baseadas em aprendizado profundo têm muito a oferecer e inúmeros setores da economia estão interessados no tema. A indústria farmacêutica, que suporta um custo de US$ 2,6 bilhões para desenvolver um único tratamento e uma taxa de insucesso de 90% entre a fase de desenvolvimento clínico e aprovação do produto, está particularmente atenta.19 Exemplos são a Pfizer e a Roche, na busca por novas terapias para o câncer. Estes líderes de mercado se aliaram a empresas especializadas como a IBM e a GNS Healthcare. A Sanofi e a GSK se associaram à britânica Exscientia, cuja especialidade é o design automatizado de moléculas. Dada natureza dessas parcerias, envolvendo companhias que dominam uma larga fatia do mercado farmacêutico, ainda é prematuro dizer como estas tecnologias impactarão a produtividade do setor. Os resultados obtidos nos próximos anos demonstrarão se os investimentos feitos darão retorno com novos fármacos mais eficazes e seguros, levando ao aumento de produtividade do setor.

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

    Figura 1. Componentes-chave da estratégia contemporânea de pesquisa e desenvolvimento (P&D) de fármacos, a qual engloba abordagens como a genômica e biologia molecular, bem como métodos mais eficientes de química sintética, como a química combinatória. Em conjunto com a evolução das plataformas de testes in vitro para sistemas de triagens automatizadas em larga escala, estas tecnologias aumentaram significativamente o poder de geração de dados. O desenvolvimento de novos métodos em quimioinformática, como as redes neurais, têm sido fundamental para a conversão destes dados em informações úteis para o avanço do processo de P&D.



    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 *