Ferramentas digitais e modelos preditivos ganham espaço na descoberta de fármacos

Ferramentas digitais de design de fármacos e IA estão sendo integradas à descoberta de medicamentos, à medida que os prazos típicos para o desenvolvimento de fármacos bem-sucedidos se estendem de 10 a 14 anos, ou às vezes até mais, para levar um medicamento da descoberta à aprovação. O custo de levar um fármaco ao mercado pode variar de centenas de milhões a vários bilhões de dólares, e apenas cerca de 12% dos medicamentos que chegam aos ensaios clínicos obtêm aprovação da FDA.

As estimativas publicadas do custo de P&D por medicamento aprovado variam amplamente, dependendo da metodologia e do que está incluído. Uma análise influente estimou custos de aproximadamente US$ 1,4 bilhão em desembolso direto e US$ 2,6 bilhões capitalizados em dólares de 2013, enquanto uma análise de dados públicos sobre aprovações da FDA estimou o investimento mediano capitalizado em pesquisa e desenvolvimento para levar um novo medicamento ao mercado em US$ 985,3 milhões e o investimento médio em US$ 1.335,9 milhões na análise do caso-base. Os custos financeiros de uma perda associada a um estudo fracassado em estágio avançado, incluindo os custos de desenvolvimento já incorridos, podem variar de US$ 800 milhões a US$ 1,4 bilhão.

As taxas de sucesso do desenvolvimento clínico variam conforme a doença e o conjunto de dados. Um grande benchmark de programas entre 2011 e 2020 estimou uma probabilidade aproximada de 7,9% de aprovação da Fase I até a aprovação no total, com a oncologia em nível inferior, de aproximadamente 5,3%. Apenas uma pequena fração dos compostos que entram em testes pré-clínicos progride para estudos de primeira administração em humanos.

Os longos prazos e os altos custos associados à descoberta de fármacos levaram a uma lacuna nas necessidades médicas de pacientes com doenças raras. Embora 3,5% a 5,9% da população mundial, cerca de 263 milhões a 446 milhões de pessoas, sofram de doenças raras, 95% delas não dispõem de opções de tratamento aprovadas pela FDA nos EUA. Com taxas de fracasso tão altas levando ao desperdício de dinheiro e tempo, a maioria dos estudos está focada em doenças mais comuns, que prometem maior retorno caso o medicamento chegue ao mercado.

Hoje, o design digital de fármacos abrange simulações moleculares que modelam como os compostos interagem com alvos biológicos, modelos de aprendizado de máquina treinados em vastas bibliotecas químicas para prever candidatos a fármacos, IA generativa que propõe estruturas moleculares inteiramente novas e plataformas de automação de laboratório que conectam previsões computacionais a experimentos físicos. Na década de 2020, a IA e o aprendizado de máquina foram integrados às abordagens de design de fármacos assistido por computador, e modelos de deep learning permitiram uma precisão preditiva sem precedentes. AlphaFold e outras ferramentas de IA generativa transformaram a predição de estrutura e o design molecular.

Antes da década de 1970, a descoberta de fármacos era dominada por observações fortuitas e triagem por tentativa e erro. A partir da década de 1970, surgiu o design de fármacos assistido por computador com o uso de técnicas computacionais, e as aplicações aumentaram gradualmente ao longo da década de 1980 e depois. Nos anos 2000, a biologia estrutural, a genômica e a bioinformática passaram a impulsionar o desenvolvimento do design de fármacos assistido por computador, as bibliotecas de proteínas e compostos químicos se expandiram exponencialmente, e a triagem virtual tornou-se prática padrão.

Os primeiros medicamentos desenhados por IA estão atualmente avançando por ensaios clínicos, e empresas vêm demonstrando pipelines de IA de ponta a ponta. Uma estimativa projeta que o mercado de descoberta de fármacos com IA cresça de US$ 4,6 bilhões em 2025 para US$ 49,5 bilhões até 2034, com uma taxa de crescimento anual composta de 30%.

Um artigo recente analisou modelos preditivos baseados na teoria da informação em um conjunto de resultados de triagem de amostras biológicas para o design de fármacos. Diferentemente das ferramentas existentes, que fornecem principalmente espectros probabilísticos de atividade biológica a partir da entrada SMILES, o sistema proposto incorpora uma rede neural híbrida integrada a modelos preditivos baseados na teoria da informação para simular dinamicamente processos farmacocinéticos e farmacodinâmicos usando dados baseados em estrutura e dados de amostras biológicas. Com base no conjunto de características das amostras biológicas, duas amostras ativas foram selecionadas, as quais, com alto grau de confiabilidade, também são adequadas para a criação de fármacos com base no formyl peptide receptor.

O artigo afirmou que os pesquisadores podem escolher as características mais importantes das bioamostras com o uso de retratos de informação de classe, o que reduz o esforço necessário para o desenvolvimento de fármacos e melhora a precisão das previsões. A análise da contribuição das características identificou atributos que afetam positivamente o estado ativo das bioamostras, e a força de sua influência também foi determinada.