O design assistido por IA é uma parte crescente da forma como os candidatos a medicamentos biológicos são desenvolvidos, e empresas como a AstraZeneca estão ativamente a formar as suas equipas de engenharia para levar isto ainda mais longe. “Tudo o que fazemos, seja projetar, fabricar, testar ou analisar, agora é aprimorado computacionalmente”, diz Puja Sapra, vice-presidente sênior e chefe de P&D, engenharia biológica e descoberta direcionada à oncologia da AstraZeneca. “Os tempos de ciclo estão ficando mais curtos enquanto a produtividade e a inovação aumentam.”
Sapra explica que a abordagem da AstraZeneca segue um ciclo construir-medir-aprender. A IA gera ou prioriza moléculas candidatas computacionalmente, prevendo quais projetos têm maior probabilidade de sucesso. Os cientistas então concentram os recursos do laboratório apenas nos candidatos mais bem classificados. Isso leva a um ciclo de suggestions mais rígido, com menos becos sem saída, iteração mais rápida e a capacidade de perseguir alvos de doenças que antes eram considerados intratáveis pela medicina. Como o número de combinações moleculares possíveis excede em muito o que qualquer equipe humana pode explorar sistematicamente, o uso da IA para restringir e refinar as opções de teste tornou-se um foco importante no design de medicamentos biológicos.
Navegando por problemas complexos de design de medicamentos
Além de acelerar os prazos, a IA também está a ser aplicada à descoberta de lessons inteiramente novas de medicamentos. Os produtos biológicos tradicionais normalmente têm como alvo uma through de doença. A próxima geração de medicamentos pode atingir vários alvos simultaneamente ou entregar com precisão cargas terapêuticas a células específicas. Conseguir isso requer otimização de muitas variáveis ao mesmo tempo. Olhando para o futuro, os modelos baseados em IA podem ajudar a projetar esses produtos biológicos cada vez mais complexos e multiespecíficos, explica Puja Sapra. “Por exemplo”, continua ela, “tais modelos poderiam ajudar a identificar quais dois ou três alvos priorizar com base na biologia subjacente e, em seguida, otimizar vários parâmetros para equilibrar a potência, estabilidade, capacidade de fabricação e segurança de uma molécula”. “Drogar quem não pode ser drogado está se tornando uma realidade”, diz Sapra. “Estas tecnologias acabarão por nos permitir desenvolver medicamentos contra alvos que antes se pensava serem impossíveis de alcançar. O potencial de benefício para os pacientes é notável.”
O fosso dos dados
Estimativas da McKinsey que a IA generativa, combinada com outras ferramentas computacionais, poderia reduzir os prazos de descoberta de medicamentos em até 50%. Mas todo modelo de IA é tão bom quanto seus dados de treinamento. Na descoberta de medicamentos, isso significa grandes quantidades de dados biológicos de alta qualidade. Os experimentos podem fornecer uma fonte rica de tais dados. Quer sejam bem-sucedidos ou fracassados, cada experimento gera um sinal sobre o que funciona e o que não funciona.
“Os dados são o nosso diferencial”, diz Sapra, explicando como os conjuntos de dados da empresa são proprietários e multimodais e incluem estruturas moleculares, medições de ligação, perfis de segurança e resultados de fabricação. “Construímos um portfólio intencionalmente diversificado em diversas áreas de doenças e tipos de medicamentos. Todos esses dados nos permitem ajustar modelos de IA de ponta com conjuntos de treinamento mais ricos e representativos.” Ela continua: “Além disso, investimos em tecnologias de triagem profunda para gerar conjuntos de dados adicionais necessários em quantity para refinar e validar constantemente nossos modelos”.
Construindo um mecanismo de descoberta autônomo
Para reunir todos esses dados num só lugar, a AstraZeneca está a construir o que chama de instalações de “laboratório do futuro” em Kendall Sq., Cambridge, Massachusetts, onde a IA e a automação robótica serão capazes de formar um sistema de descoberta contínuo e em circuito fechado. “Onde um carro autônomo usa sensores e modelos para navegar em seu ambiente, este sistema usa IA para fazer previsões, sistemas robóticos para executar experimentos e instrumentos para gerar dados”, explica Sapra. Esses dados retornam diretamente aos modelos, acelerando cada ciclo subsequente.
“Durante todo o processo, os cientistas permanecerão centrais no processo, fornecendo supervisão, julgamento e orientação estratégica que garantem que os resultados sejam explicáveis, toleráveis e direcionados para o benefício potencial do paciente”, acrescenta ela.
Eventualmente, sistemas automatizados de alto rendimento serão capazes de fazer e avaliar milhares de interações moleculares semanalmente. “Isso gerará dados prontos para IA em uma escala que os fluxos de trabalho tradicionais não conseguem igualar”, diz Sapra. “O manuseio robótico de amostras, verificações de qualidade automatizadas e pipelines de dados integrados também têm o potencial de ajudar a acelerar significativamente os prazos iniciais de desenvolvimento de medicamentos.”