.
Pesquisadores da Universidade do Texas em Dallas e da Novartis Pharmaceuticals Corp. desenvolveram uma plataforma baseada em computador para a descoberta de medicamentos que pode tornar o processo mais eficaz, mais eficiente e menos dispendioso.
O Dr. Baris Coskunuzer, professor de ciências matemáticas na UT Dallas, e seus colegas desenvolveram uma abordagem baseada na análise de dados topológicos para selecionar virtualmente milhares de possíveis candidatos a medicamentos e reduzir consideravelmente os candidatos a compostos àqueles que são mais adequados para testes laboratoriais e clínicos.
Os pesquisadores apresentarão suas descobertas na 36ª Conferência sobre Sistemas de Processamento de Informação Neural, que será realizada de 28 de novembro a 9 de dezembro em Nova Orleans.
Normalmente, as fases iniciais da descoberta de medicamentos envolvem pesquisadores que identificam um alvo biológico, como uma proteína associada a uma doença de interesse. O próximo passo é rastrear bibliotecas de milhares de compostos químicos potenciais que podem ser eficazes ou podem ser modificados para afetar o alvo para aliviar a causa ou os sintomas da doença. Os candidatos mais promissores seguem para o longo e caro processo de testes laboratoriais e clínicos e aprovação regulatória.
“O processo de descoberta de drogas pode levar de 10 a 15 anos e custar um bilhão de dólares”, disse Coskunuzer. “As empresas farmacêuticas querem uma maneira mais econômica de fazer isso. Eles querem encontrar os compostos mais promissores no início do processo, para não perder tempo testando becos sem saída.
“Fornecemos um método completamente novo de triagem virtual que é computacionalmente eficiente e classifica os compostos com base na probabilidade de funcionarem”.
Embora a triagem virtual de bibliotecas de compostos químicos não seja nova, Coskunuzer disse que a abordagem de seu grupo supera significativamente outros métodos de última geração em grandes conjuntos de dados.
A equipe da UTD e da Novartis enquadrou o processo de triagem virtual como um novo tipo de problema de classificação de gráficos baseado em topologia, de um ramo da matemática chamado análise de dados topológicos. Seu método caracteriza cada composto molecular com base na forma de sua subestrutura física subjacente – sua topologia -, bem como uma série de propriedades físicas e químicas dos componentes da molécula. A partir dessas informações, os pesquisadores desenvolvem uma “impressão digital topológica” única para cada composto que é usado para classificá-lo de acordo com o quão bem ele se ajusta às propriedades desejadas.
“A vantagem do nosso algoritmo é que ele pode rastrear cerca de 100.000 compostos em alguns dias, o que é muito mais rápido do que outros métodos”, disse Coskunuzer.
O próximo passo será generalizar o método para a previsão de propriedades moleculares, o que inclui pontuar um composto quanto à sua solubilidade em água. A solubilidade pode ser crítica para a eficácia de um medicamento no corpo humano.
“Se você encontrar um bom composto, mas ele não tiver as propriedades moleculares desejadas – se não for solúvel – é provável que não funcione. Você quer poder testar essas propriedades antes de um candidato a medicamento avança demais no desenvolvimento”, disse Coskunuzer.
Outros pesquisadores da UT Dallas trabalhando no projeto são a Dra. Yulia Gel, professora de ciências matemáticas na Escola de Ciências Naturais e Matemática, e o Dr. Ignacio Segovia-Dominguez, pesquisador associado de pós-doutorado em ciência da computação na Escola de Engenharia Erik Jonsson e Ciência da Computação.
Os colaboradores da Novartis incluem o Dr. Andac Demir, um cientista de dados em seu AI Innovation Lab, e o Dr. Bulent Kiziltan, diretor executivo do laboratório. O Dr. Yuzhou Chen MS’17, professor assistente de ciências da computação e da informação na Temple University, também contribuiu.
Os pesquisadores da UTD são apoiados por doações da National Science Foundation, da Simons Foundation e do Office of Naval Research.
Fonte da história:
Materiais fornecidos por Universidade do Texas em Dallas. Original escrito por Amanda Siegfried. Observação: o conteúdo pode ser editado quanto ao estilo e tamanho.
.
