Nas últimas décadas, os cientistas da computação desenvolveram ferramentas de aprendizado profundo para uma ampla variedade de aplicações, incluindo a análise de medicamentos. Mais recentemente, os modelos de aprendizagem profunda que prevêem as propriedades dos produtos farmacêuticos foram treinados para analisar e aprender representações moleculares.
Pesquisadores da Tsinghua University, da National University of Singapore, da Fudan University’s School of Pharmacy e da Zheijang University desenvolveram recentemente o MolMapNet, uma nova ferramenta de inteligência artificial (IA) que pode prever as propriedades farmacêuticas de medicamentos por meio da análise de representações moleculares baseadas no conhecimento humano . Esta ferramenta, apresentada em artigo publicado na Nature Machine Intelligence, também pode ser utilizada por pessoas com pouco ou nenhum conhecimento de ciência da computação, biologia ou outras ciências.
“Estávamos cientes de que as investigações farmacêuticas requerem o aprendizado de muitos caracteres moleculares, particularmente a rica coleção de propriedades moleculares (como volume) derivadas do conhecimento humano, mas essas propriedades moleculares são difíceis de aprender por IA (inteligência artificial)”, Yu Zong Chen , um dos pesquisadores que realizaram o estudo, disse TechXplore.
Embora as ferramentas de IA geralmente sejam boas no reconhecimento de imagens ordenadas espacialmente (por exemplo, imagens de objetos), elas não funcionam tão bem em dados não ordenados, como propriedades moleculares. Essa característica prejudica significativamente seu desempenho na análise de produtos farmacêuticos. Chen e seus colegas queriam superar essa limitação para melhorar o desempenho dos modelos de aprendizado profundo para prever propriedades farmacêuticas.
“Com dados farmacêuticos limitados, é difícil melhorar as arquiteturas de IA”, disse Chen. “Perguntamos se poderíamos melhorar a maneira como a IA lê as propriedades moleculares. Nossa solução é mapear propriedades moleculares desordenadas em imagens ordenadas para que a IA reconheça com mais eficiência as propriedades moleculares.”
Esta ferramenta inovadora de IA pronta para usar não requer ajuste fino de parâmetros, o que significa que também é acessível a usuários não especialistas. Notavelmente, os pesquisadores descobriram que superou as ferramentas de IA de última geração na maioria dos 26 conjuntos de dados de referência farmacêutica.
“Nossa abordagem segue três etapas para melhorar a previsão de aprendizagem profunda das propriedades farmacêuticas”, disse Chen. “O primeiro passo é aprender amplamente as relações intrínsecas das propriedades moleculares de mais de 8 milhões de moléculas. Essas relações podem ser vinculadas e, portanto, indicadores de várias propriedades farmacêuticas.”
A segunda etapa da abordagem envolve o uso de uma técnica de transformação de dados recentemente desenvolvida para mapear as propriedades moleculares de produtos farmacêuticos em imagens 2D, onde os layouts de pixel refletem as relações intrínsecas entre essas propriedades. Esses layouts de pixel contêm indicadores cruciais de propriedades farmacêuticas que podem ser capturados por modelos de aprendizado profundo adequadamente treinados.
Como uma terceira etapa, os pesquisadores treinaram uma ferramenta de reconhecimento de imagem para aprender as imagens 2D e usá-las para prever propriedades farmacêuticas. A ferramenta de IA pode capturar padrões de layout de pixel específicos que caracterizam propriedades farmacêuticas específicas, da mesma forma como as técnicas de IA podem discernir entre homens e mulheres em uma imagem, observando o comprimento do cabelo ou outras características relacionadas ao gênero.
“Existem duas conquistas notáveis em nosso estudo”, disse Chen. “O primeiro é a introdução de um novo método para mapear propriedades moleculares desordenadas em imagens ordenadas que apresentam as relações intrínsecas das propriedades moleculares. O segundo é o desenvolvimento de uma ferramenta inovadora de IA pronta para uso para predição de aprendizagem profunda de propriedades farmacêuticas por não especialistas com desempenho de última geração. ”
No futuro, o modelo de aprendizado profundo pronto para usar pode acelerar significativamente a pesquisa farmacêutica, ajudando os cientistas a prever as propriedades de diferentes medicamentos de forma mais rápida e eficiente. Em seus próximos estudos, Chen e seus colegas planejam desenvolver ainda mais seu modelo, para que também possa ser aplicado a estudos biomédicos.
Publicado em 31/03/2021 13h09
Artigo original:
Estudo original: