Mais conhecimento significa previsões mais informadas. Esse é o princípio que a Entos, startup com sede em San Diego, está aplicando para revolucionar o design de medicamentos com uma abordagem alimentada por inteligência artificial (IA) que permite uma aceleração mil vezes maior na previsão de propriedades moleculares. A empresa, membro do programa NVIDIA Inception para startups que está revolucionando setores com avanços em inteligência artificial (IA), ciência de dados e computação de alto desempenho, está avançando seu trabalho com o NVIDIA Clara Discovery — uma coleção de frameworks, aplicações e modelos pré-treinados desenvolvidos para desbloquear informações sobre como bilhões de moléculas de fármacos potenciais interagem dentro de nossos corpos.
A descoberta de fármacos é um processo notoriamente demorado e intensivo em termos de dados. A arquitetura Orbnet da Entos muda isso, exigindo 30 vezes menos dados para treinar um modelo para descoberta de fármacos moleculares com precisão quântica, e 100 vezes menos experimentos para encontrar compostos de medicamentosos promissores, o que reduz o tempo de espera e as complexidades associadas aos métodos tradicionais de descoberta de fármacos terapêuticos.
“Nossa abordagem baseada na física significa que incluímos mais qualidades sobre a mecânica quântica subjacente no modelo de machine learnig”, afirma Tom Miller, CEO da Entos. “Isso nos permite fazer previsões melhores, mesmo usando menos dados”.
A Entos está se concentrando na identificação de moléculas de drogas que podem desativar proteínas ligadas a certas formas de câncer. Ao incluir cálculos de mecânica quântica em seu fluxo de trabalho de machine learning, a inicialização pode estreitar mais rapidamente o pool de compostos potenciais que se ligam a essas proteínas-alvo. “O potencial de transformação proporcionado por essas tecnologias é gigantesco. Há potencial para mudar radicalmente todo o setor médico e farmacêutico graças a pesquisas mais ágeis e precisas”, completa Marcio Aguiar, diretor da divisão Enterprise da NVIDIA na América Latina.
Trazendo a IA para o processo de descoberta de fármacos
O machine learning está transformando a maneira como os cientistas abordam tudo, desde a ciência climática até a descoberta de medicamentos. Agora, a combinação de IA e machine learning está levando a uma nova maneira de fazer ciência, criando um híbrido de deep learning e simulação baseada na física para transformar a maneira como as drogas são descobertas.
A descoberta de medicamentos é um processo intensivo de dados em que os pesquisadores realizam cálculos computacionalmente densos para simular como as moléculas e proteínas interagem para identificar a terapêutica certa. Tradicionalmente, essas formas de cálculos quânticos são extremamente caras para serem executadas e levam semanas ou meses para serem concluídas.
Esses experimentos computacionais se beneficiam da incorporação da IA e computação acelerada, permitindo aos pesquisadores simularem a interação de uma droga com uma proteína com precisão quântica. As simulações são muito caras em termos computacionais para serem executadas com os cálculos tradicionais da mecânica quântica. A Entos otimiza seu software de descoberta de drogas OrbNet nas GPUs NVIDIA DGX A100 Tensor Core.
O modelo OrbNet AI – desenvolvido em conjunto na Caltech pelo CEO da Entos, Tom Miller e Anima Anandkumar, diretora de pesquisa de machine learning da NVIDIA – permite a síntese robótica e experimentação de alto rendimento para acelerar o projeto terapêutico.
“OrbNet usa uma rede neural de gráfico construída em recursos específicos de domínio que levam em consideração as interações entre os átomos. Além disso, consideramos simetrias como rotações tridimensionais”, conta Anandkumar. “Essas considerações de design tornam possível treinar o OrbNet apenas em moléculas pequenas – aquelas com menos de 40 átomos – e aplicar diretamente o modelo em moléculas de proteínas grandes com um alto grau de precisão”.
Ao colaborar com os especialistas da NVIDIA, a equipe de cientistas de Miller é capaz de realizar experimentos de alto rendimento e “abrir novas portas para o que podemos perseguir”, como ele afirma.
Desbloqueando o potencial das ligações covalentes
Desenvolvimentos recentes em machine learning estão transformando o tamanho e a escala dos bancos de dados químicos que os pesquisadores podem acessar em busca de compostos de drogas promissores. Os modelos de IA também permitem aos cientistas estudarem as inúmeras reações químicas de enzimas dentro do corpo de uma nova maneira.
Juntos, esses avanços estão permitindo o estudo de classes inteiramente novas de drogas que os pesquisadores não conseguiram investigar com métodos anteriores. Uma técnica promissora envolve a criação de moléculas de drogas que formam ligações covalentes com a proteína-alvo. Se a terapêutica pode formar essas ligações apenas com a proteína alvo, os pacientes podem receber doses menores e experimentar menos efeitos colaterais. Os pesquisadores da Entos planejam aplicar este método em áreas de doenças que incluem o câncer, a diabetes e a fibrose cística.
A Entos formou parcerias com líderes das indústrias farmacêutica, de materiais e química, e arrecadou US$ 53 milhões em julho de 2021 para apoiar seus esforços na criação de terapias significativas com alta precisão. A empresa acredita em colaborações ativas com a equipe de saúde NVIDIA, como um trunfo para se conectar a recursos técnicos e assistência na otimização de suas aplicações na arquitetura de hardware NVIDIA.