Em vez de depender de anos à espera de um golpe de sorte, pesquisadores estão recorrendo a máquinas para esboçar, sob demanda, moléculas químicas totalmente novas e promissoras.
Essa virada é importante agora porque uma descoberta mais rápida e direcionada pode reduzir desperdícios, baixar custos e fazer com que medicamentos e materiais úteis cheguem ao mundo real mais cedo.
Projetando moléculas ao contrário
Na New York University (NYU) e na University of Florida (UF), equipes criaram um gerador que começa pelas propriedades desejadas.
O estudo foi conduzido por Stefano Martiniani, Ph.D., e seu grupo, que investiga como a estrutura química determina o comportamento físico.
Para transformar características-alvo em possíveis “plantas” moleculares, o grupo trabalhou em conjunto com químicos e especialistas em modelagem.
Com esse arranjo, o processo parte do objetivo e retrocede até a estrutura - em vez de apenas ajustar, aos poucos, a química que já existe.
Transformando metas em moléculas
O novo sistema de inteligência artificial (IA) deles, o PropMolFlow, produziu moléculas candidatas cerca de dez vezes mais rápido do que muitas ferramentas anteriores.
O PropMolFlow começa a partir de ruído aleatório e, em seguida, vai refinando esse ponto de partida passo a passo, até que átomos e ligações se organizem em um padrão estável.
Segundo a equipe, foram necessários aproximadamente 100 passos computacionais para chegar a uma estrutura válida, enquanto outras abordagens frequentemente exigem em torno de 1.000.
Com menos etapas, diminui-se o tempo de espera no computador, o que pode acelerar bastante os ciclos iniciais de triagem.
Rápido, mas quimicamente coerente
Velocidade só é útil quando a molécula gerada faz sentido do ponto de vista químico, já que laboratórios não conseguem sintetizar estruturas sem pé nem cabeça.
Em sistemas anteriores, programas por vezes desenhavam ligações que quebravam regras básicas de ligação química - um problema destacado pela equipe em um relatório.
“Isso importa porque muitas abordagens anteriores produziram estruturas que pareciam plausíveis à primeira vista, mas violavam regras químicas básicas”, disse Martiniani.
O PropMolFlow superou esse obstáculo ao gerar estruturas com padrões de ligação corretos e formas realistas em mais de 90 por cento das vezes.
Por que as propriedades precisam de fiscalização
Mesmo quando uma molécula é quimicamente válida, ela pode ficar aquém do objetivo de propriedades - por isso, a avaliação feita por IA vira um passo decisivo.
O risco aumenta quando uma rede neural propõe moléculas e uma segunda rede neural estima propriedades seguindo hábitos de treino semelhantes.
“Se uma rede neural gera uma molécula e outra rede neural prevê suas propriedades, ambos os sistemas podem compartilhar pontos cegos parecidos porque estão extraindo do mesmo reservatório de informações; a IA então está corrigindo a própria lição de casa”, observou Martiniani.
Para evitar esses pontos cegos compartilhados, o time recorreu à teoria do funcional da densidade, um método quântico que calcula propriedades a partir dos elétrons.
Moléculas pequenas, grandes lições
Para treinar e avaliar o PropMolFlow, a equipe usou o conjunto de dados de referência QM9, focado em pequenas moléculas e propriedades quânticas.
Como cada molécula vem com estrutura padronizada e rótulos, o modelo conseguiu aprender relações entre formas e características-alvo.
O QM9 cobre apenas uma química mais leve; assim, o modelo viu sobretudo compostos com algumas dezenas de átomos e elementos comuns.
Esse recorte estreito deixou os testes iniciais mais controlados, mas manteve em aberto a dúvida sobre o desempenho em moléculas maiores, mais parecidas com fármacos.
Perseguindo extremos raros de propriedades
Além de situações médias, o grupo forçou o modelo a buscar alvos fora da distribuição - valores bem além do intervalo típico de treinamento.
Eles solicitaram níveis de propriedades pouco representados, depois geraram muitas moléculas e as filtraram com as mesmas verificações químicas.
Para algumas propriedades, cálculos baseados em física mostraram que o conjunto gerado ficou centrado próximo do alvo, inclusive além dos exemplos usuais.
Já onde os dados de treino eram escassos, o modelo se desviou, indicando que os algoritmos ainda precisam de experiência para perseguir extremos com confiabilidade.
Minutos que mudam decisões no laboratório
A geração rápida pesa mais quando pesquisadores fazem muitas rodadas de projeto, porque cada rodada altera o que será testado na sequência.
Com o PropMolFlow, um laboratório pode criar e triar um lote grande, e então encaminhar apenas os melhores candidatos para experimentos.
“Com a capacidade de gerar milhares de candidatos quimicamente válidos e direcionados por propriedades em minutos em vez de horas, pesquisadores podem iterar mais rápido: gerar candidatos, filtrar computacionalmente, validar os melhores com física ou experimentos e realimentar os resultados para melhorar a próxima rodada”, explicou Martiniani.
Esse ciclo pode encurtar o caminho entre uma ideia e um tubo de ensaio, embora ainda caiba aos químicos decidir quais ideias merecem esforço.
Escalando para medicamentos de verdade
Medicamentos reais e materiais de alto desempenho costumam depender de moléculas maiores, com mais partes móveis e mais possibilidades de falha.
Estruturas mais grandes elevam a chance de formas desajeitadas, cargas instáveis ou reações que tornam um composto difícil de sintetizar.
Por isso, ainda é necessário adaptar esses modelos para sistemas maiores, já que novos átomos e ligações ampliam muito as formas de dar errado.
Só rapidez não entrega um comprimido pronto, mas pode empurrar mais ideias para uma fase de testes sérios.
Consertando as réguas de medição
Avaliar geradores de moléculas virou uma área por si só, porque uma pontuação “bonita” pode esconder estruturas perigosas ou impossíveis.
Na análise, os autores chamaram atenção para moléculas de camada aberta, espécies com elétrons desemparelhados que frequentemente se comportam de modo imprevisível em cálculos.
As equipes da UF e da NYU também corrigiram registros com rótulos inconsistentes de ligações e cargas e, depois, disponibilizaram 10.773 moléculas com verificações por teoria do funcional da densidade.
Réguas melhores reduzem a falsa confiança e ajudam a comparar modelos sem aceitar, silenciosamente, erros como se fossem resultados normais.
Um caminho mais rápido para novas moléculas
O PropMolFlow indicou que rapidez, coerência química e direcionamento por propriedades podem caminhar juntos quando o projeto começa pelos objetivos.
À medida que as equipes mirarem moléculas maiores e propriedades mais exigentes, ainda serão necessárias verificações rigorosas e experimentos reais para confirmar o valor.
Comentários
Ainda não há comentários. Seja o primeiro!
Deixar um comentário