IA na descoberta de medicamentos: avaliando o escopo dos desafios

A indústria biotecnológica está no meio de um aumento no investimento em inteligência artificial (IA), com as empresas a investirem milhares de milhões na promessa de uma descoberta de medicamentos mais rápida e inteligente. Como líderes de P&D, temos a responsabilidade de fazer uma pergunta difícil: estamos investindo em melhorias reais de desempenho ou estamos perseguindo uma narrativa? A resposta honesta por enquanto é que depende do que você quer da IA, de como você mede o sucesso e se suas expectativas se baseiam no que a ciência pode oferecer hoje.

Esta não é uma visão pessimista. A IA e a aprendizagem automática estão verdadeiramente a transformar partes da forma como trabalhamos, e os avanços nos algoritmos ao longo da última década, a par da explosão do poder da computação, representam um verdadeiro passo em frente. Mas perceber esse valor requer clareza estratégica, não exagero. As empresas que mais beneficiarão da IA ​​serão aquelas que a implementarem de forma ponderada: identificando problemas específicos que podem resolver bem, construindo uma infra-estrutura de dados para a apoiar e mantendo o rigor científico que continua a ser essencial mesmo na era nascente da descoberta de medicamentos através da IA.

Em que a IA é boa e onde ela enfrenta dificuldades?

A IA faz um excelente trabalho ao reconhecer padrões em território familiar. Quando um modelo observa milhares de variações de um problema, ele pode identificar a estrutura e fazer previsões confiáveis. É por isso que a IA está transformando áreas como reconhecimento de imagens, transcrição e linguagem. Os dados de treinamento são abundantes e a tarefa é essencialmente de recuperação e interpolação.

A descoberta de medicamentos em química e biologia é um desafio fundamentalmente diferente. O espaço químico correspondente é quase incompreensivelmente enorme, com estimativas sugerindo mais de 10×10⁶⁰ potenciais moléculas semelhantes a drogas. O objetivo é inventar algo novo: uma molécula que ainda não existe e que se comporte de forma segura e eficaz num sistema biológico. Os avanços na biologia básica e nos nossos mecanismos biológicos subjacentes às doenças permanecem inadequados em muitos casos. Se a nossa melhor compreensão de doenças desafiadoras (como a doença de Alzheimer e o cancro do pâncreas) hoje for rudimentar, um modelo LLM altamente sofisticado não será capaz de encontrar respostas em publicações científicas onde elas não existem. Os modelos de IA treinados em dados históricos, por definição, extrapolam além do que viram. Quão bem eles fazem isso, o que os pesquisadores chamam de representação à distância dos dados de treinamento ou dentro do domínio de aplicabilidade, é uma das questões centrais em aberto neste campo.

Até mesmo inovações famosas como AlphaFold demonstram essa dinâmica. Esses modelos funcionam bem quando existem exemplos estruturalmente semelhantes nos dados de treinamento, mas o desempenho se degrada significativamente para instâncias verdadeiramente novas.

Um dos principais desafios intelectuais na descoberta de medicamentos é a seleção do alvo, uma decisão multiparâmetro com muitos aspectos de julgamento científico. Uma equipa eficaz de cientistas não só avaliará o alvo em muitos dos seus aspectos, mesmo quando os dados estão incompletos, mas também deverá decidir como pesar estes diferentes aspectos para levar a uma boa tomada de decisão. Atualmente, a IA não pode executar esta tarefa de nível superior. No futuro, poderá ser possível que a IA analise um conjunto selecionado de dados para decisões de seleção de alvos e a justificativa para essas decisões. A seleção de alvos é apenas um exemplo, mas ilustra um ponto mais amplo: compreender a posição da ciência é essencial para tomar decisões de investimento ideais e garantir que a IA seja orientada por desenvolvedores de medicamentos experientes, em vez de substituí-los.

O problema dos dados é subestimado

Por trás de cada modelo de IA há um conjunto de dados de treinamento e, na descoberta de medicamentos, esse conjunto de dados é caro de gerar, difícil de tratar e imperfeito por natureza. Ao contrário das aplicações de consumo, onde os dados de formação podem ser recolhidos em grande escala, os dados farmacêuticos provêm de experiências cuidadosamente controladas que demoram meses e custam recursos significativos. Além disso, uma parcela significativa dela não é diretamente comparável entre experimentos. Diferentes condições de ensaio, tipos de células e pontos de tempo podem produzir dados que parecem semelhantes, mas não são.

Isto é diferente dos desafios mais amplos da reprodutibilidade na investigação biomédica, embora estes também sejam reais. O problema mais imediato para as aplicações de IA é a gestão de dados: garantir que os modelos sejam treinados com base em dados internamente consistentes e cientificamente comparáveis. Este tipo de curadoria requer profundo conhecimento de domínio e investimento sustentado, e neste momento a IA não consegue resolver um problema por si só.

Onde focar: eficácia direcionada em vez de promessas amplas

Dadas estas limitações, a estratégia de I&D mais produtiva é identificar as etapas específicas e limitantes na descoberta de medicamentos onde a IA pode proporcionar ganhos de eficiência fiáveis ​​e concentrar o investimento aí, em vez de exigir que a IA explore autonomamente o espaço químico ou substitua o julgamento científico.

Um aplicativo adequado ajuda as equipes a navegar pelo grande volume de dados de candidatos gerados durante o projeto de medicamentos. A IA pode filtrar grandes conjuntos de dados e avaliar moléculas propostas em relação a parâmetros conhecidos, por ex. eficácia, seletividade e propriedades ADME para ajudar os cientistas a priorizar quais candidatos valem a pena perseguir. Em vez de substituir o julgamento científico, a IA pode aumentá-lo, trazendo as informações mais relevantes com mais rapidez e reduzindo o tempo gasto na classificação manual.

A IA também tem um benefício real na compactação de tarefas demoradas, mas sem julgamentos. Por exemplo, a IA pode ser usada para ler textos de patentes e publicações, o que não requer um conjunto de treinamento. Nestes casos, a IA pode ler grandes quantidades de texto e consolidar conclusões e respostas. Outras tarefas de menor valor incluem monitoramento de literatura, suporte ao planejamento de síntese e documentação administrativa. Transformar um processo de dois dias em um processo de duas horas em grande escala combina significativamente com o curso do programa de medicamentos. Estes ganhos são menos dramáticos do que as manchetes, mas são alcançáveis ​​agora. À medida que aprendemos mais sobre a utilidade da IA ​​em tarefas de menor julgamento, podemos avaliar os pontos fortes e fracos ao longo do caminho e aplicar a tecnologia a tarefas mais complexas.

Um quadro estratégico para investimentos em IA

Para os líderes de P&D que avaliam os investimentos em IA, vale a pena considerar vários princípios.

Primeiro, defina o problema antes de escolher a ferramenta. A questão nunca deve começar com “como usamos a IA?” Deve começar com “o que está nos atrasando e esta é a ferramenta certa para resolver isso?” A IA é uma ferramenta num conjunto de ferramentas científicas mais amplo, e não uma estratégia em si.

Em segundo lugar, investir tanto em infra-estruturas de dados como em modelos. A qualidade dos seus dados de treinamento determinará o limite máximo do que qualquer modelo pode fazer. As empresas que tratam o processamento de dados como uma competência essencial terão uma vantagem duradoura.

Terceiro, meça o desempenho objetivamente. Compare seus modelos não apenas com conjuntos de testes familiares, mas também com novos cenários reais que refletem desafios reais de descoberta de medicamentos. Se um modelo só funciona bem em problemas semelhantes aos seus dados de treinamento, você deve saber disso antes de confiar nele em um programa ao vivo.

Finalmente, seja cético em relação às alegações de compressão dramática da linha do tempo. Os reveses que retardam os programas de medicamentos, incluindo descobertas inesperadas de toxicidade, novos sinais de segurança ou alvos biológicos que não são traduzidos, aparecem esporadicamente em dados históricos e tendem a ter resultados diferentes a cada vez – demasiado inconsistentes para que a IA aprenda de forma fiável. O julgamento humano, a criatividade e a experiência de cientistas experientes continuam a ser indispensáveis ​​nos momentos mais difíceis do desenvolvimento de medicamentos.

A verdadeira oportunidade

Quando se trata de IA, o progresso dos algoritmos é real, os recursos computacionais são sem precedentes e a vontade da indústria de investir nisso cria oportunidades reais. A IA pode acelerar a descoberta de medicamentos e reduzir as taxas de desgaste na clínica, mas é importante reconhecer que ambas são tarefas difíceis.

As empresas que mais beneficiarão serão aquelas que permanecerem firmes, estabelecerem expectativas realistas e manterem cientistas experientes no centro das decisões que exigem verdadeira criatividade e julgamento. Essa disciplina é o que transforma a IA de uma tecnologia promissora em uma tecnologia que pode fornecer muitos aspectos da descoberta de medicamentos com o objetivo final de entrega aos pacientes.

Foto: metamorworks, Getty Images

Esta postagem aparece em Influenciadores da MedCity programa. Qualquer pessoa pode publicar sua perspectiva sobre inovação em negócios e saúde no MedCity News por meio de Influenciadores do MedCity. Clique aqui para saber como.