Redes Neurais Gráficas: Previsão da Eficácia de Medicamentos
Os pesquisadores buscam substâncias ativas e eficientes para combater doenças, geralmente contando com compostos que interagem com proteínas que desencadeiam ações fisiológicas. Devido à abundância de compostos químicos, essa busca se assemelha a encontrar uma agulha em um palheiro. A descoberta de medicamentos utiliza modelos científicos e, com o advento da IA, os aplicativos de aprendizado de máquina, como as redes neurais de grafos (GNNs), ganharam destaque.
Redes Neurais Gráficas na Descoberta de Medicamentos
As GNNs, como as “redes neurais gráficas”, são fundamentais para prever a intensidade com que uma molécula se liga a uma proteína-alvo. Elas são treinadas usando gráficos que representam complexos formados entre proteínas e compostos químicos.
No entanto, o funcionamento interno das GNNs permanece elusivo, levando os pesquisadores a investigar sua capacidade de aprender as interações proteína-ligante.
Analisando GNNs e suas Previsões
O estudo, liderado pelo Prof. Dr. Jürgen Bajorath e colegas, examinou seis arquiteturas de GNNs. Os pesquisadores empregaram o método “EdgeSHAPer” para determinar se esses GNNs aprenderam efetivamente as interações essenciais entre um composto e uma proteína para prever a força de ligação com precisão.
O Inteligente Efeito Hans nas Previsões de GNNs
As descobertas revelaram que a maioria dos GNNs se concentrou principalmente em ligantes e não conseguiu aprender interações essenciais entre proteínas e medicamentos. Em vez disso, eles tendiam a “lembrar” moléculas quimicamente semelhantes encontradas durante o treinamento, independentemente da proteína-alvo.
Esse fenômeno, comparado ao “efeito Hans esperto”, levanta questões sobre a confiabilidade das previsões de GNN na descoberta de medicamentos.
Implicações para a Pesquisa de Descoberta de Medicamentos
A pesquisa sugere que as previsões do GNN podem ser superestimadas, pois métodos mais diretos e conhecimento químico podem produzir resultados equivalentes.
No entanto, o estudo também destaca possíveis caminhos para melhorias, especialmente em GNNs que tendem a aprender mais interações com o aumento da potência do composto.
Olhando para o Futuro: IA Explicável na Descoberta de Medicamentos
O Prof. Bajorath enfatiza a importância de compreender as previsões dos modelos de IA. O desenvolvimento de ferramentas de análise, como o EdgeSHAPer, visa a esclarecer a caixa preta dos modelos de IA, promovendo a transparência e o avanço no campo da IA explicável.
O Lamarr Institute, onde o Prof. Bajorath é PI e presidente da AI in the Life Sciences, prevê desenvolvimentos empolgantes em AI explicável, contribuindo para o cenário mais amplo da pesquisa em inteligência artificial.
Leia o Artigo Original: Nature Machine Intelligence.
Fonte: Mastropietro, A. et al, Learning characteristics of graph neural networks predicting protein–ligand affinities, Nature Machine Intelligence (2023). DOI: 10.1038/s42256-023-00756-9. www.nature.com/articles/s42256-023-00756-9.
Leia mais: Aprimorando a Intuição da IA na Descoberta de Novos Medicamentos
