.
O aumento da triagem virtual com aprendizado de máquina permitiu uma redução de 10 vezes no tempo de processamento de 1,56 bilhão de moléculas semelhantes a medicamentos. Pesquisadores da Universidade do Leste da Finlândia se uniram à indústria e aos supercomputadores para realizar um dos maiores testes virtuais de drogas do mundo.
Nos seus esforços para encontrar novas moléculas de medicamentos, os investigadores baseiam-se frequentemente no rastreio rápido, auxiliado por computador, de grandes bibliotecas de compostos para identificar agentes que podem bloquear o alvo de um medicamento. Tal alvo pode, por exemplo, ser uma enzima que permite a uma bactéria resistir a antibióticos ou a um vírus infectar o seu hospedeiro. O tamanho dessas coleções de pequenas moléculas orgânicas sofreu um grande aumento nos últimos anos. Com as bibliotecas crescendo mais rápido do que a velocidade dos computadores necessários para processá-las, a triagem de uma moderna biblioteca de compostos em escala de bilhões contra apenas um único alvo de droga pode levar vários meses ou anos – mesmo quando se utilizam supercomputadores de última geração. . Portanto, é evidente que são desesperadamente necessárias abordagens mais rápidas.
Num estudo recente publicado no Jornal de informação química e modelagema Dra. Ina Pöhner e colegas da Escola de Farmácia da Universidade do Leste da Finlândia se uniram à organização anfitriã dos poderosos supercomputadores da Finlândia, CSC – IT Center for Science Ltd. – e colaboradores industriais da Orion Pharma para estudar a perspectiva do aprendizado de máquina. na aceleração de telas virtuais em escala giga.
Antes de aplicar a inteligência artificial para acelerar o rastreio, os investigadores estabeleceram primeiro uma linha de base: numa campanha de rastreio virtual de dimensão sem precedentes, 1,56 mil milhões de moléculas semelhantes a medicamentos foram avaliadas contra dois alvos farmacologicamente relevantes ao longo de quase seis meses com a ajuda dos supercomputadores Mahti e Puhti e acoplamento molecular. Docking é uma técnica computacional que ajusta as pequenas moléculas em uma região de ligação do alvo e calcula uma “pontuação de acoplamento” para expressar quão bem elas se ajustam. Dessa forma, as pontuações de acoplamento foram determinadas primeiro para todas as 1,56 bilhões de moléculas.
Em seguida, os resultados foram comparados a uma tela aprimorada por aprendizado de máquina usando HASTEN, uma ferramenta desenvolvida pelo Dr. TuomoKalliokoski da Orion Pharma, coautor do estudo. “O HASTEN usa aprendizado de máquina para aprender as propriedades das moléculas e como essas propriedades afetam a pontuação dos compostos. Quando apresentado com exemplos suficientes extraídos do acoplamento convencional, o modelo de aprendizado de máquina pode prever pontuações de acoplamento para outros compostos na biblioteca muito mais rápido do que o abordagem de acoplamento por força bruta”, explica Kalliokoski.
Na verdade, com apenas 1% de toda a biblioteca encaixada e usada como dados de treinamento, a ferramenta identificou corretamente 90% dos compostos com melhor pontuação em menos de dez dias.
O estudo representou a primeira comparação rigorosa de uma ferramenta de acoplamento aprimorada por aprendizado de máquina com uma linha de base de acoplamento convencional na escala giga. “Descobrimos que a ferramenta aprimorada por aprendizado de máquina reproduz de forma confiável e repetida a maioria dos compostos de maior pontuação identificados pelo acoplamento convencional em um período de tempo significativamente reduzido”, diz Pöhner.
“Este projeto é um excelente exemplo de colaboração entre a academia e a indústria, e como o CSC pode oferecer um dos melhores recursos computacionais do mundo. Ao combinar as nossas ideias, recursos e tecnologia, foi possível atingir os nossos ambiciosos objetivos”, continua o Professor Antti Poso, que lidera o grupo computacional de descoberta de medicamentos na Comunidade de Pesquisa DrugTech da Universidade do Leste da Finlândia.
Estudos em escala comparável permanecem ilusórios na maioria dos ambientes. Assim, os autores lançaram grandes conjuntos de dados gerados como parte do estudo para o domínio público: sua biblioteca de triagem pronta para uso para acoplamento, que permite que outros acelerem seus respectivos esforços de triagem, e todos os 1,56 bilhão de resultados de acoplamento composto para dois metas como dados de benchmarking. Esses dados incentivarão o desenvolvimento futuro de ferramentas para economizar tempo e recursos e, em última análise, avançarão no campo da descoberta computacional de medicamentos.
.
