Por favor, avalie esta postagem
Pesquisadores da Universidade do Texas usaram IA para desenvolver uma versão mais segura e eficaz de um antibiótico que se mostra promissor em testes com animais. Este novo método pode acelerar a criação de tratamentos para infecções bacterianas resistentes a antibióticos. Crédito: Universidade do Texas em Austin
Um grande modelo de linguagem, semelhante à IA que alimenta o ChatGPT, foi utilizado para desenvolver uma versão de um medicamento que mata bactérias e que já foi tóxico para humanos.
Em um desenvolvimento esperançoso para a demanda por antibióticos mais seguros e eficazes, pesquisadores da Universidade do Texas em Austin utilizaram inteligência artificial para criar um novo medicamento que já está se mostrando promissor em testes com animais.
Publicando seus resultados em Engenharia Biomédica Naturalos cientistas descrevem o uso de um grande modelo de linguagem — uma ferramenta de IA como a que alimenta o ChatGPT — para projetar uma versão de um medicamento que mata bactérias e que antes era tóxico em humanos, para que fosse seguro usá-lo.
O prognóstico para pacientes com infecções bacterianas perigosas piorou nos últimos anos, à medida que cepas bacterianas resistentes a antibióticos se espalharam e o desenvolvimento de novas opções de tratamento estagnou. No entanto, pesquisadores da UT dizem que as ferramentas de IA estão mudando o jogo.
“Descobrimos que grandes modelos de linguagem são um grande passo à frente para Aprendizado de máquina aplicações em engenharia de proteínas e peptídeos”, disse Claus Wilke, professor de biologia integrativa e estatística e ciências de dados, e coautor sênior do novo artigo. “Muitos casos de uso que não eram viáveis com abordagens anteriores agora estão começando a funcionar. Prevejo que essas e abordagens semelhantes serão amplamente utilizadas para desenvolver terapêuticas ou medicamentos no futuro.”
Aplicações de IA no desenvolvimento de medicamentos
Grandes modelos de linguagem, ou LLMs, foram originalmente projetados para gerar e explorar sequências de texto, mas cientistas estão encontrando maneiras criativas de aplicar esses modelos a outros domínios. Por exemplo, assim como sentenças são compostas de sequências de palavras, proteínas são compostas de sequências de aminoácidos. LLMs agrupam palavras que compartilham atributos comuns (como gato, cachorro e hamster) no que é conhecido como um “espaço de incorporação” com milhares de dimensões. Da mesma forma, proteínas com funções semelhantes, como a capacidade de combater bactérias perigosas sem machucar as pessoas que hospedam essas bactérias, podem se agrupar em sua própria versão de um espaço de incorporação de IA.
“O espaço que contém todas as moléculas é enorme”, disse Davies, coautor sênior do novo artigo. “O aprendizado de máquina nos permite encontrar as áreas do espaço químico que têm as propriedades nas quais estamos interessados, e pode fazer isso muito mais rápida e completamente do que as abordagens padrão de laboratório uma de cada vez.”
Para este projeto, os pesquisadores empregaram IA para identificar maneiras de reprojetar um antibiótico existente chamado Protegrina-1, que é ótimo para matar bactérias, mas tóxico para pessoas. A Protegrina-1, que é naturalmente produzida por porcos para combater infecções, faz parte de um subtipo de antibióticos chamados peptídeos antimicrobianos (AMPs). Os AMPs geralmente matam bactérias diretamente ao romper as membranas celulares, mas muitos têm como alvo membranas celulares bacterianas e humanas.
Inovando com IA para antibióticos mais seguros
Primeiro, os pesquisadores usaram um método de alto rendimento que eles desenvolveram anteriormente para criar mais de 7.000 variações de Protegrina-1 e identificar rapidamente áreas do AMP que poderiam ser modificadas sem perder sua atividade antibiótica.
Em seguida, eles treinaram um LLM de proteína nesses resultados para que o modelo pudesse avaliar milhões de variações possíveis para três características: mirar seletivamente em membranas bacterianas, matar bactérias de forma potente e não prejudicar os glóbulos vermelhos humanos para encontrar aqueles que caíssem no ponto ideal de todos os três. O modelo então ajudou a guiar a equipe para uma versão mais segura e eficaz da Protegrina-1, que eles apelidaram de Protegrina-1.2 seletiva bacteriana (bsPG-1.2).
Camundongos infectados com bactérias multirresistentes e tratados com bsPG-1.2 tiveram muito menos probabilidade de ter bactérias detectáveis em seus órgãos seis horas após a infecção, em comparação com camundongos não tratados. Se mais testes oferecerem resultados positivos semelhantes, os pesquisadores esperam eventualmente levar uma versão do medicamento antibiótico informado por IA para testes em humanos.
“O impacto do aprendizado de máquina é duplo”, disse Davies. “Ele vai apontar novas moléculas que podem ter o potencial de ajudar as pessoas, e vai nos mostrar como podemos pegar essas moléculas de antibióticos existentes e torná-las melhores e focar nosso trabalho para levá-las mais rapidamente à prática clínica.”
Referência: “Deep mutational scanning and machine learning for the analysis of antimicrobial-peptide features driving membrane selectivity” por Justin R. Randall, Luiz C. Vieira, Claus O. Wilke e Bryan W. Davies, 31 de julho de 2024, Engenharia Biomédica Natural.
DOI: 10.1038/s41551-024-01243-1
O financiamento para esta pesquisa foi fornecido pela Institutos Nacionais de Saúdea Fundação Welch, a Agência de Redução de Ameaças de Defesa e a Tito's Handmade Vodka.