.
A inteligência artificial (IA) explodiu em popularidade. Ela alimenta modelos que nos ajudam a dirigir veículos, revisar e-mails e até mesmo projetar novas moléculas para medicamentos. Mas, assim como um humano, é difícil ler a mente da IA. A IA explicável (XAI), um subconjunto da tecnologia, pode nos ajudar a fazer exatamente isso justificando as decisões de um modelo. E agora, os pesquisadores estão usando a XAI não apenas para examinar modelos de IA preditiva mais de perto, mas também para olhar mais profundamente no campo da química.
Os pesquisadores apresentarão seus resultados na reunião de outono da Sociedade Química Americana (ACS).
O vasto número de usos da IA a tornou quase onipresente no cenário tecnológico atual. No entanto, muitos modelos de IA são caixas-pretas, o que significa que não está claro exatamente quais etapas são tomadas para produzir um resultado. E quando esse resultado é algo como uma molécula de medicamento em potencial, não entender as etapas pode despertar ceticismo entre cientistas e o público. “Como cientistas, gostamos de justificativas”, explica Rebecca Davis, professora de química na Universidade de Manitoba. “Se pudermos criar modelos que ajudem a fornecer algum insight sobre como a IA toma suas decisões, isso pode potencialmente deixar os cientistas mais confortáveis com essas metodologias.”
Uma maneira de fornecer essa justificativa é com XAI. Esses algoritmos de aprendizado de máquina podem nos ajudar a ver os bastidores da tomada de decisão de IA. Embora o XAI possa ser aplicado em uma variedade de contextos, a pesquisa de Davis se concentra em aplicá-lo a modelos de IA para descoberta de medicamentos, como aqueles usados para prever novos candidatos a antibióticos. Considerando que milhares de moléculas candidatas podem ser rastreadas e rejeitadas para aprovar apenas um novo medicamento — e a resistência a antibióticos é uma ameaça contínua à eficácia dos medicamentos existentes — modelos de previsão precisos e eficientes são essenciais. “Quero usar o XAI para entender melhor quais informações precisamos para ensinar química a computadores”, diz Hunter Sturm, um estudante de pós-graduação em química no laboratório de Davis que está apresentando o trabalho na reunião.
Os pesquisadores começaram seu trabalho alimentando bancos de dados de moléculas de fármacos conhecidas em um modelo de IA que previa se um composto teria um efeito biológico. Então, eles usaram um modelo XAI desenvolvido pelo colaborador Pascal Friederich no Instituto de Tecnologia de Karlsruhe, na Alemanha, para examinar as partes específicas das moléculas de fármacos que levaram à previsão do modelo. Isso ajudou a explicar por que uma molécula em particular tinha atividade ou não, de acordo com o modelo, e isso ajudou Davis e Sturm a entender o que um modelo de IA pode considerar importante e como ele cria categorias depois de examinar muitos compostos diferentes.
Os pesquisadores perceberam que o XAI pode ver coisas que os humanos podem ter perdido; ele pode considerar muito mais variáveis e pontos de dados de uma só vez do que um cérebro humano. Por exemplo, ao rastrear um conjunto de moléculas de penicilina, o XAI encontrou algo interessante. “Muitos químicos pensam no núcleo da penicilina como o local crítico para a atividade antibiótica”, diz Davis. “Mas não foi isso que o XAI viu.” Em vez disso, ele identificou estruturas anexadas a esse núcleo como o fator crítico em sua classificação, não o núcleo em si. “Pode ser por isso que alguns derivados da penicilina com esse núcleo mostram baixa atividade biológica”, explica Davis.
Além de identificar estruturas moleculares importantes, os pesquisadores esperam usar o XAI para melhorar os modelos de IA preditivos. “O XAI nos mostra o que os algoritmos de computador definem como importante para a atividade antibiótica”, explica Sturm. “Podemos então usar essas informações para treinar um modelo de IA sobre o que ele deve estar procurando”, acrescenta Davis.
Em seguida, a equipe fará parceria com um laboratório de microbiologia para sintetizar e testar alguns dos compostos que os modelos de IA aprimorados preveem que funcionariam como antibióticos. Por fim, eles esperam que o XAI ajude os químicos a criar compostos antibióticos melhores, ou talvez totalmente diferentes, que poderiam ajudar a conter a maré de patógenos resistentes a antibióticos.
“A IA causa muita desconfiança e incerteza nas pessoas. Mas se pudermos pedir à IA para explicar o que ela está fazendo, há uma probabilidade maior de que essa tecnologia seja aceita”, diz Davis.
Sturm acrescenta que acha que as aplicações de IA em química e descoberta de medicamentos representam o futuro do campo. “Alguém precisa estabelecer a fundação. É isso que espero estar fazendo.”
A pesquisa foi financiada pela Universidade de Manitoba, pelos Institutos Canadenses de Pesquisa em Saúde e pela Aliança de Pesquisa Digital do Canadá.
.
