Revolução na descoberta de anticorpos: O papel da Inteligência Artificial
Na natureza, os anticorpos são a resposta do corpo às doenças e servem como as tropas de linha de frente do sistema imunológico. São cadeias de proteínas que possuem uma forma especial para se ligar a invasores estrangeiros, permitindo que sejam eliminados do sistema. Desde a década de 1980, as empresas farmacêuticas têm produzido anticorpos sintéticos para tratar doenças como o câncer e reduzir a chance de rejeição de órgãos transplantados.
No entanto, projetar esses anticorpos é um processo lento para os seres humanos. Os projetistas de proteínas devem percorrer milhões de combinações potenciais de aminoácidos para encontrar aquelas que se dobrarão exatamente da maneira correta. Em seguida, eles os testam experimentalmente, ajustando algumas variáveis para melhorar certas características do tratamento, ao mesmo tempo em que esperam não piorar em outros aspectos. Segundo Field, o CEO e fundador da LabGenius, a molécula necessária para um novo anticorpo terapêutico está localizada em um amplo espaço de moléculas potenciais.
Field iniciou a LabGenius em 2012, durante seu doutorado em biologia sintética no Imperial College London. Ele reconheceu a diminuição dos custos de sequenciamento de DNA, computação e robótica. Aproveitando esses avanços, a LabGenius automatiza em grande parte o processo de descoberta de anticorpos. A empresa utiliza um algoritmo de aprendizado de máquina para projetar anticorpos que visam doenças específicas, seguido por robôs automatizados que constroem e cultivam esses anticorpos no laboratório. Testes são conduzidos, e os dados são alimentados de volta ao algoritmo com intervenção humana limitada. O laboratório abrange áreas para cultivo de células doentes, crescimento de anticorpos e sequenciamento de DNA. Técnicos trabalham em amostras enquanto máquinas operam ao fundo.
Os pesquisadores humanos inicialmente identificam anticorpos potenciais dentro de um espaço de busca para combater uma doença específica. Essas proteínas precisam distinguir entre células saudáveis e doentes, aderir às últimas e envolver células imunológicas para eliminação. A LabGenius desenvolveu um modelo de aprendizado de máquina para acelerar e aprimorar a exploração desse espaço extenso. Field explica que a única entrada humana necessária é fornecer exemplos de células saudáveis e doentes, permitindo que o sistema explore várias designs de anticorpos para diferenciação.
O modelo seleciona mais de 700 opções iniciais de um conjunto de 100.000 anticorpos potenciais. Em seguida, ele prossegue para projetar, construir e testar essas opções de forma autônoma, visando identificar caminhos promissores para investigações mais aprofundadas. Esse processo pode ser comparado a escolher um carro ideal entre várias opções, começando com preferências gerais e estreitando o foco.
A fase de testes é amplamente automatizada, empregando equipamentos avançados para a preparação de amostras e estágios de teste. Os anticorpos são cultivados com base em sua sequência genética e submetidos a ensaios biológicos usando tecidos doentes que se destinam a atacar. A supervisão humana é mínima, focando na transferência de amostras entre as máquinas.
Field esclarece que os resultados experimentais das primeiras 700 moléculas refinam a compreensão do modelo do espaço de design. O algoritmo gradualmente compreende como diferentes designs de anticorpos impactam a eficácia do tratamento, aprimorando seu desempenho com iterações sucessivas.
A engenharia de proteínas tradicional frequentemente envolve numerosos ajustes pequenos em uma molécula funcional, com riscos de consequências indesejadas. A abordagem da LabGenius contorna essa limitação, produzindo soluções não convencionais com mais rapidez. A abordagem tradicional pode resultar em otimizações subótimas, negligenciando possibilidades superiores em áreas diferentes.
Além disso, os engenheiros de proteínas humanas enfrentam restrições em termos do número de testes viáveis, levando-os a se concentrar em soluções conhecidas. A abordagem automatizada da LabGenius descobre soluções novas de forma ágil, exigindo apenas seis semanas desde a configuração do problema até o primeiro lote. A empresa obteve financiamento substancial e está colaborando com empresas farmacêuticas, se posicionando como um serviço de consultoria. Essa técnica automatizada tem potencial para aplicações mais amplas na descoberta de medicamentos, otimizando um processo normalmente prolongado.
Em última análise, Field afirma que essa abordagem leva a um melhor cuidado, gerando anticorpos mais eficazes com menos efeitos colaterais. O processo automatizado revela moléculas únicas que métodos convencionais podem deixar passar. Tais moléculas frequentemente desafiam a intuição humana, contribuindo para melhores resultados para os pacientes. [Wired]
