Estudante da UC desenvolve modelo de IA para descoberta e otimização de fármacos

Yanan Tian, aluna do Programa de Doutoramento Conjunto entre a Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) e a Macao Polytechnic University (MPU), desenvolveu um modelo de inteligência artificial (IA) que visa a descoberta e otimização de fármacos. 

Esta investigação, publicada na revista Nature Communications, foi realizada sob a orientação dos professores Joel P. Arrais, do Departamento de Engenharia Informática da FCTUC, e Huanxiang Liu, da MPU, no âmbito do programa Dual Doctoral Degree MPU-UC, que visa promover a cooperação científica e a formação avançada entre Portugal e Macau.

As proteínas quinases constituem uma das classes de alvos terapêuticos mais relevantes na investigação biomédica. O seu potencial resulta do papel central que desempenham na regulação de múltiplos processos celulares, incluindo proliferação, diferenciação e morte celular. No entanto, o desenvolvimento de inibidores altamente seletivos continua a ser um desafio, devido à forte conservação estrutural entre as quinases e ao elevado custo dos ensaios experimentais. 

«Este trabalho propõe o modelo MMCLKin, uma estrutura baseada em métodos de IA avançada, concebida para prever com elevada precisão e interpretabilidade a atividade e seletividade de inibidores de quinases, acelerando significativamente o processo de descoberta e otimização de novos fármacos direcionados», explica Yanan Tian, em nota enviada à Beira Digital TV. 

O MMCLKin combina redes de grafos geométricos, modelos de linguagem para sequências proteicas e mecanismos de atenção multicanal para identificar as características críticas das interações entre quinases e fármacos. «Os resultados demonstram que o modelo supera os métodos existentes na previsão da afinidade e seletividade de inibidores, mesmo em casos que envolvem estruturas desconhecidas ou quinases mutadas», afirma Joel P. Arrais. 

De acordo com os autores do estudo, os ensaios biológicos ADP-Glo validaram o poder preditivo do modelo, demonstrando que cinco compostos sugeridos pelo MMCLKin inibem de forma eficaz a mutação LRRK2 G2019S, associada a doenças neurodegenerativas, sendo quatro deles ativos em concentrações nanomolares. Estes resultados reforçam o potencial do MMCLKin como ferramenta para acelerar o desenvolvimento de terapias direcionadas, abrindo novas perspetivas para o desenho racional de fármacos com maior seletividade e eficácia clínica. 

«A abordagem proposta representa um avanço na aplicação da Inteligência Artificial à descoberta de fármacos, demonstrando como modelos computacionais de nova geração podem reproduzir in silico processos biológicos complexos que, de forma experimental, podem demorar anos ou mesmo décadas. O MMCLKin exemplifica como modelos baseados em IA conseguem simular e compreender interações moleculares com um grau de detalhe que permite prever a atividade e a seletividade de inibidores com elevada precisão», sublinham  

Esta capacidade permite a identificação rápida de candidatos terapêuticos promissores, reduzindo significativamente o tempo e o custo da investigação farmacêutica. Para além do seu impacto imediato, o MMCLKin abre novas direções de investigação no campo da modelação de quinases, ao proporcionar um quadro unificado para analisar padrões estruturais, mutacionais e funcionais ao longo de toda a família de quinases humanas. 

«Este tipo de abordagem pode evoluir para modelos generalistas capazes de antecipar o comportamento de novas quinases — incluindo aquelas ainda sem estrutura identificada — e apoiar o desenho racional de terapias seletivas e personalizadas em diversas áreas, desde o cancro às doenças neurodegenerativas», concluem. 

O artigo científico “Enhancing Kinase-Inhibitor Activity and Selectivity Prediction Through Contrastive Learning” está disponível para consulta aqui.