.
Cientistas da Universidade de Toronto testaram com sucesso o uso de modelos de aprendizado de máquina para orientar o design de formulações de medicamentos injetáveis de ação prolongada. O potencial dos algoritmos de aprendizado de máquina para acelerar a formulação de medicamentos pode reduzir o tempo e o custo associados ao desenvolvimento de medicamentos, tornando novos medicamentos promissores disponíveis mais rapidamente.
O estudo foi publicado hoje na Natureza Comunicações e é um dos primeiros a aplicar técnicas de aprendizado de máquina ao design de formulações de medicamentos injetáveis poliméricos de ação prolongada.
A pesquisa multidisciplinar é liderada por Christine Allen, do departamento de ciências farmacêuticas da Universidade de Toronto, e Alán Aspuru-Guzik, dos departamentos de química e ciência da computação. Ambos os pesquisadores também são membros do Acceleration Consortium, uma iniciativa global que usa inteligência artificial e automação para acelerar a descoberta de materiais e moléculas necessárias para um futuro sustentável.
“Este estudo dá um passo crítico para o desenvolvimento de formulações de medicamentos com ênfase em injetáveis de ação prolongada”, disse Christine Allen, professora de ciências farmacêuticas na Faculdade de Farmácia Leslie Dan, da Universidade de Toronto. “Vimos como o aprendizado de máquina permitiu avanços incríveis na descoberta de novas moléculas com potencial para se tornarem medicamentos. Agora estamos trabalhando para aplicar as mesmas técnicas para nos ajudar a projetar melhores formulações de medicamentos e, em última análise, melhores medicação.”
Considerados uma das estratégias terapêuticas mais promissoras para o tratamento de doenças crônicas, os injetáveis de ação prolongada (LAI) são uma classe de sistemas avançados de liberação de fármacos que são projetados para liberar sua carga por longos períodos de tempo para alcançar um efeito terapêutico prolongado. Essa abordagem pode ajudar os pacientes a aderir melhor ao regime de medicação, reduzir os efeitos colaterais e aumentar a eficácia quando injetado próximo ao local de ação no corpo. No entanto, alcançar a quantidade ideal de liberação do fármaco durante o período de tempo desejado requer o desenvolvimento e a caracterização de uma ampla gama de candidatos a formulações por meio de experimentos extensos e demorados. Essa abordagem de tentativa e erro criou um gargalo significativo no desenvolvimento de LAI em comparação com os tipos mais convencionais de formulação de medicamentos.
“A IA está transformando a maneira como fazemos ciência. Ela ajuda a acelerar a descoberta e a otimização. Este é um exemplo perfeito de um momento ‘Antes da IA’ e ‘Depois da IA’ e mostra como a entrega de medicamentos pode ser impactada por essa pesquisa multidisciplinar”, disse Alán Aspuru-Guzik, professor de química e ciência da computação da Universidade de Toronto, que também ocupa a CIFAR Artificial Intelligence Research Chair no Vector Institute em Toronto.
Para investigar se as ferramentas de aprendizado de máquina poderiam prever com precisão a taxa de liberação da droga, a equipe de pesquisa treinou e avaliou uma série de onze modelos diferentes, incluindo regressão linear múltipla (MLR), floresta aleatória (RF), máquina de aumento de gradiente de luz (lightGBM), e redes neurais (NN). O conjunto de dados usado para treinar o painel selecionado de modelos de aprendizado de máquina foi construído a partir de estudos publicados anteriormente pelos autores e outros grupos de pesquisa.
“Uma vez que tínhamos o conjunto de dados, nós o dividimos em dois subconjuntos: um usado para treinar os modelos e outro para testar. Em seguida, pedimos aos modelos para prever os resultados do conjunto de teste e comparamos diretamente com dados experimentais anteriores. Descobrimos que os modelos baseados em árvore, e especificamente o lightGBM, forneceram as previsões mais precisas”, disse Pauric Bannigan, pesquisador associado do grupo de pesquisa Allen na Faculdade de Farmácia Leslie Dan, Universidade de Toronto.
Como próximo passo, a equipe trabalhou para aplicar essas previsões e ilustrar como os modelos de aprendizado de máquina podem ser usados para informar o design de novos LAIs. A equipe usou técnicas analíticas avançadas para extrair critérios de design do modelo lightGBM. Isso permitiu o desenho de uma nova formulação de LAI para um medicamento atualmente usado para tratar o câncer de ovário. “Depois de ter um modelo treinado, você pode trabalhar para interpretar o que a máquina aprendeu e usar isso para desenvolver critérios de design para novos sistemas”, disse Bannigan. Uma vez preparada, a taxa de liberação do fármaco foi testada e validada ainda mais as previsões feitas pelo modelo lightGBM. “Com certeza, a formulação tinha a taxa de liberação lenta que estávamos procurando. Isso foi significativo porque, no passado, poderíamos ter levado várias iterações para chegar a um perfil de liberação parecido com este, com o aprendizado de máquina que chegamos lá em um”, disse ele.
Os resultados do estudo atual são encorajadores e sinalizam o potencial do aprendizado de máquina para reduzir a dependência de testes de tentativa e erro, diminuindo o ritmo de desenvolvimento de injetáveis de ação prolongada. No entanto, os autores do estudo identificam que a falta de conjuntos de dados de código aberto disponíveis nas ciências farmacêuticas representa um desafio significativo para o progresso futuro. “Quando começamos este projeto, ficamos surpresos com a falta de dados relatados em vários estudos usando micropartículas poliméricas”, disse Allen. “Isso significava que os estudos e o trabalho que foram feitos não poderiam ser aproveitados para desenvolver os modelos de aprendizado de máquina de que precisamos para impulsionar os avanços nesse espaço”, disse Allen. “Existe uma necessidade real de criar bancos de dados robustos em ciências farmacêuticas que sejam de acesso aberto e disponíveis para todos, para que possamos trabalhar juntos para avançar no campo”, disse ela.
Para promover a mudança em direção aos bancos de dados acessíveis necessários para apoiar a integração do aprendizado de máquina nas ciências farmacêuticas de forma mais ampla, Allen e a equipe de pesquisa disponibilizaram seus conjuntos de dados e código na plataforma de código aberto Zenodo.
“Para este estudo, nosso objetivo era reduzir a barreira de entrada para a aplicação do aprendizado de máquina nas ciências farmacêuticas”, disse Bannigan. “Tornamos nossos conjuntos de dados totalmente disponíveis para que outros possam desenvolver este trabalho. Queremos que este seja o começo de algo e não o fim da história do aprendizado de máquina na formulação de medicamentos”.
.
