Os avanços nas técnicas de Aprendizagem de Máquina e da IA estão alimentando uma NOVA ERA de descobertas em biologia, farmácia e medicina.
O significado disso é que, pela primeira vez, estamos vendo mecanismos subjacentes por trás da biologia que não estavam acessíveis para nós antes - e usando o conhecimento crescente para encontrar novas drogas, novas maneiras de alimentar o mundo e resolver as mudanças climáticas.
Pesquisadores da startup britânica DeepMind [1] (do “Google ´Sempre Ele` Google”) disseram em novembro de 2020 [2] que resolveram “o problema de dobramento de proteínas” (“The Protein Folding Problem” [3]), uma tarefa que tem atormentado os cientistas por mais de 50 anos.
As proteínas são os mecanismos microscópicos que conduzem o comportamento de vírus, bactérias, o corpo humano e todos os seres vivos. Elas começam como cadeias de compostos químicos, antes de se torcerem e se dobrarem em formas tridimensionais que definem o que elas podem fazer - e o que não podem.
Para os biólogos, identificar a forma precisa de uma proteína geralmente requer meses, anos ou mesmo décadas de experimentação. Requer habilidade, inteligência e mais do que “bumbum na cadeira”. Às vezes, eles nunca têm sucesso!
No final de 2020, a startup de IA DeepMind de Londres construiu um sistema de computador que pode fazer o trabalho em algumas horas - talvez até alguns minutos.
A startup britânica disse que seu sistema, chamado AlphaFold [4], havia resolvido o que é conhecido como "o problema de dobramento de proteínas". Dada a cadeia de aminoácidos que compõem uma proteína, o sistema pode prever sua forma tridimensional de maneira rápida e confiável.
Os cientistas da ciência de computação lutam para construir esse sistema há mais de 50 anos [5]. Nos últimos 25 anos, eles mediram e compararam seus esforços por meio de uma competição global chamada Avaliação Crítica de Predição de Estrutura, ou CASP [6]. Até agora, nenhum competidor havia sequer chegado perto de resolver o problema.
O uso da IA nessa grande contribuição à biologia da startup DeepMind foi preponderante para o futuro da ciência.
A indústria de biotech será gigante nos próximos anos. O conceituado VC (venture capital) americano Andreessen & Horowitz já sinalizou que a “biologia vai engolir o mundo” [7] e que a biologia tem que ser “engenheirada” [8, 8.1 e 8.2]
O analista de indústria McKinsey sinaliza que o negócio de biotech será uma “corrida ao ouro” no valor de 4,0 TUS$ [9-10]. O CEO da famosa startup Zymergen [11] sinaliza que a “biologia vai reconstruir o mundo” [12]
A grande estrela da biotecnologia atualmente é a Biologia Sintética (ou SynBio) [13-16].
Destacamos aqui duas áreas famosas de biologia sintética [17] que atualmente estão “bombando” na mídia, a saber: (a) a edição de genes conhecida como CRISPR [18-19] e (b) as novas vacinas mRNA de Covid (como os casos da Pfizer-BioNTech e Moderna) [20]. Em relação ao CRISPR temos aqui um avanço destacado e recente na edição de genes [21].
Conforme vimos acima no caso “The Protein Folding Problem” da britânica DeepMind, a tecnologia da IA foi fundamental para o progresso da ciência.
O mundo científico atualmente dedica uma grande atenção para o que a tecnologia de IA poderá fazer pelo progresso na biologia.
Técnicas de Aprendizagem de Máquina (“Machine Learning” [22]) de ponta estão cada vez mais sendo adaptadas e aplicadas a dados biológicos, inclusive para Covid.
Uma visão geral desse interesse mostra que descobrir e desenvolver um novo medicamento normalmente leva mais de uma década e custa em média perto de US $ 1 bilhão, dificultando a construção de um estoque de produtos farmacêuticos para combater futuras pandemias ou impedir doenças intratáveis [23].
Mas os cientistas estão combinando dois avanços científicos - em algoritmos de Aprendizagem de Máquina e ferramentas de imagem e sequenciamento biológicas poderosas - para tentar estimular o progresso na compreensão de doenças e no avanço da própria IA.
Em março de 2021, pesquisadores relataram [24] o uso de uma nova técnica para descobrir como os genes são expressos em células individuais e como essas células interagem em pessoas que morreram com a doença de Alzheimer, permitindo que os cientistas entendam melhor o desenvolvimento de uma condição que aflige quase 6 milhões de americanos.
Algoritmos de Aprendizagem de Máquina também podem também ser usados para comparar a expressão de genes em células infectadas com SARS-CoV-2 com células tratadas com milhares de drogas diferentes, a fim de tentar prever computacionalmente as drogas que podem inibir o vírus [25].
Os resultados algorítmicos por si só não provam que as drogas são potentes o suficiente para serem clinicamente eficazes. Mas eles podem ajudar a identificar alvos futuros para antivirais ou podem revelar uma proteína que os pesquisadores não sabiam que era importante para o SARS-CoV-2, fornecendo uma nova visão sobre a biologia do vírus.
O forte interesse do uso da IA no desenvolvimento de novos medicamentos estão alimentando centros de pesquisas e startups que aplicam essa tecnologia na descoberta de novos medicamentos, incluindo um investimento de US $ 400 milhões [26] em março de 2021 na empresa Insitro [27], que usa Aprendizagem de Máquina e Dados Genômicos para identificar novos candidatos a medicamentos ou os existentes que podem ser reaproveitados para o tratamento de doenças neurodegenerativos.
A Insitro não estão sozinha. A Deloitte informou [28] que no final de 2019, 40% de 180 startups que aplicaram a IA para descoberta de medicamentos focaram especificamente na criação de novos candidatos a medicamentos ou no reaproveitamento de medicamentos existentes.
A Aprendizagem de Máquina "vai realmente mudar drasticamente os cronogramas em pelo menos algumas partes do processo" do desenvolvimento de novos medicamentos, disse a CEO da Insitro, Daphne Koller recentemente [29].
Em termos da descoberta de novos marcadores de doenças, os pesquisadores estão utilizando algoritmos de Aprendizado Profundo (“Deep Learning” [29.1]) para detectar marcadores biológicos para a doença de Alzheimer e outras doenças complexas [29.2-29.4].
O poder da IA reside em sua capacidade de filtrar dados e encontrar padrões úteis muito mais rapidamente do que os humanos poderiam fazer sozinhos. Até agora, isso tem sido usado principalmente para turbinar recomendações de filmes, músicas e produtos na web (tipo Netflix ou Amazon).
Mas "a biologia exige mais do que isso", diz Caroline Uhler, codiretora do Eric and Wendy Schmidt Center, uma iniciativa de US $ 300 milhões lançada no mês passado [30] no Broad Institute para se concentrar na interseção do Aprendizagem de Máquina e da biologia.
Prever se alguém vai clicar em um anúncio, por exemplo, não exige a compreensão da interação de todos os fatores que contribuem para essa decisão. Mas a criação de um medicamento para atingir uma proteína envolvida em uma doença exige a compreensão de como os genes que dão origem a essa proteína são regulados.
Apesar de todo o progresso da Biologia e da IA recentemente, um dos desafios é que os dados biológicos vêm em muitas formas: código de DNA, é claro, mas também a expressão de genes, sinais elétricos, imagens e muito mais que são capturados em diferentes instantes de tempo e, em seguida, precisam ser costurados para obter um imagem completa do que está acontecendo em um paciente. Estamos falando da famosa Medicina de Precisão [31]. Para conhecer mais sobre o uso do Aprendizado Profundo no processamento dos dados genômicos do DNA ver as referências [31.1 e 31.2].
Muito do foco está no que a IA pode fazer pela medicina e biologia ... bingo! Os dados biológicos complexos e matizados capturados por imagens e sequenciamento poderiam ajudam a criar algoritmos poderosos que capturam causa e efeito em um sistema.
Isso representaria um salto “na frente” para a IA, que continua sendo a melhor na identificação de correlações, deixando a razão da causa para os cientistas humanos.
"Alguns dos problemas específicos nos quais estamos trabalhando relacionados à biologia estão nos estimulando a avançar na ciência de Aprendizagem de Máquina mais rápido em algumas áreas", diz Yoshua Bengio, um pioneiro da IA e professor da Universidade de Montreal, que está colaborando com os pesquisadores do Broad Institute na aplicação de algoritmos para busca de candidatos a drogas para a descoberta de novos medicamentos.
A fusão da IA com a biologia pode não ser apenas mais uma ferramenta para compreender a medicina. A biologia pode ser – de fato - "um impulsionador para a próxima geração dos avanços na Aprendizagem de Máquina".
Finalmente, os pesquisadores já estão sinalizando que o “futuro da IA será biológico” [32]. Para complementar ver também o papel da IA e da Aprendizagem de Máquina na Biologia Digital [33].
Sobre o autor
Eduardo Prado é Engenheiro Eletrônico Sênior (UFRJ) e Mestrado em Automação (COPPE/UFRJ). Atualmente Consultor de IA nos segmentos de Saúde, Agricultura e Indústria.
Referências:
[1] DeepMind
[3] Protein Folding Problem, Wikipedia
[4] AlphaFold: a solution to a 50-year-old grand challenge in biology, DeepMind, 30.nov.2021
[5] The Protein Folding Problem, NCBI, 09.jun.2008
[6] CASP = Critical Assessment of protein Structure Prediction
[7] Biology is Eating the World: A Manifesto, Andreessen & Horowitz, 28.oct.2019
[8] How to Engineer Biology, Andreessen & Horowitz, 18.nov.2018
[8.2] Podcast: The State of Nanotechnology com sonia Contrera (Oxford)
[10] McKinsey: How the Bio Revolution could transform the competitive landscape, 07.may.2020
[11] Zymergen
[13] Synthetic Biology (several references)
[16] Meet Five Synthetic Biology Companies Using AI To Engineer Biology
[17] Synthetic Biology, Wikipedia
[18] A “Magia” do CRISPR na Edição de Genes, Startup Saúde, 07.fev.2021
[19] 02 Cientistas recebem o NOBEL para a EDIÇÃO de GENES!, Startup Saúde, 07.out.2021
[20] Referências do Google sobre “Synthetic Biology mRNA Vaccine”
[21] A NEW CRISPR TOOL FLIPS GENES ON AND OFF LIKE A LIGHT SWITCH, Impact Lab, 06.may.2021
[22] Machine Learning, Wikipedia
[23] Referências do Google sobre “How AI is stimulating the drug development in healthcare”
[25] Referências do Google sobre “Predicting news drugs for SARS-CoV-2 using AI”
[27] Insitro
[28] 2021 global life sciences outlook, Deloitte, 2019
[29] Insitro raises $400m for machine learning drug discovery push, Financial Times, 15.mar.2021
[29.1] Deep Learning, Wikipedia
[29.2] Referências do Google sobre “How Deep Learning could detect disease biomarkers”
[29.3] Referências do Google sobre “How Deep Learning could detect ALZHEIMER biomarkers”
[29.4] Referências do Google sobre “How Deep Learning could detect CANCER biomarkers”
[31] Precision medicine: Opening the aperture, McKinsey, 06.feb.2019
[31.1] DeepVariant: Highly Accurate Genomes With Deep Neural Networks, Google, 04.dec.2017
[31.2] Analyzing genomic data in families with deep learning, Google Open Source Blog, 07.apr.2021
[32] Future of AI is Biological, Towards Data Science, 08.oct.2019
[33] The Role of AI and Machine Learning in Digital Biology, The App Solutions
