MADRID 6 jun. (EUROPA PRESS) -
Um grupo de pesquisadores do Conselho Superior de Investigações Científicas (CSIC), da Universidade Pontifícia Comillas e da empresa AItenea Biotech projetou, com a ajuda da Inteligência Artificial (IA), uma molécula com "potencial" para o tratamento de doenças como Alzheimer e câncer.
O trabalho foi publicado no "Journal of Medicinal Chemistry" e teve como foco a proteína DYRK1A, cuja superexpressão está envolvida em doenças como a síndrome de Down, Alzheimer e certos tipos de tumores, e cuja inibição pode ajudar a prevenir ou retardar processos patológicos como o acúmulo de proteínas tau hiperfosforiladas, associadas à neurodegeneração, conforme explica a pesquisadora do Centro de Pesquisas Biológicas Margarita Salas (CIB-CSIC) e coautora principal do artigo, Nuria E. Campillo.
O design dessa nova família de compostos foi obtido graças a uma estratégia computacional inovadora baseada em IA generativa e modelagem preditiva, combinada com técnicas tradicionais, como acoplamento molecular e cálculos de teoria funcional de densidade, o que lhes permitiu criar moléculas terapêuticas do zero, mesmo quando os dados experimentais são limitados.
Outro autor principal, Simón Rodríguez, da Universidade Pontifícia Comillas, explicou que o modelo integra várias abordagens para gerar "milhares de novas moléculas" e fazer previsões "mais robustas e confiáveis".
Entre esses compostos está o pirazolil-1H-pirrolo[2,3-b]piridina, que demonstrou uma inibição "potente" da DYRK1A em nível nanomolar, bem como propriedades antioxidantes e anti-inflamatórias e boa permeabilidade cerebral, algo "essencial" para atravessar a barreira hematoencefálica e poder funcionar terapeuticamente.
"Essa estratégia acelera muito o processo de criação de novas moléculas que, com os métodos usuais, levava muitos anos", diz o coautor do estudo e professor de pesquisa do CSIC no Instituto de Ciências Matemáticas (ICMAT), David Ríos Insua.
A equipe de pesquisa também usou modelos de relação quantitativa estrutura-atividade (QSAR) para melhorar "significativamente" a precisão da previsão das propriedades biológicas dos compostos, tanto a "afinidade" das moléculas com a DYRK1A quanto sua possível toxicidade,
Depois de identificar os "melhores candidatos", eles passaram a sintetizá-los e avaliá-los por meio de ensaios enzimáticos e celulares, após o que otimizarão os compostos identificados e os enviarão para avaliação em modelos pré-clínicos.
Os cientistas também refinarão as moléculas por meio da integração direta de modelos QSAR com modelos generativos, desenvolverão modelos adicionais para complementar a previsão de toxicidade e tornar a formulação mais específica, além de explorar possíveis combinações com técnicas de aprendizado por reforço.
Esses protocolos são adaptáveis a outros alvos terapêuticos, de modo que podem ser aplicados na busca de tratamentos para várias doenças, demonstrando como a integração da IA com métodos tradicionais pode "revolucionar" o design de medicamentos.
Esta notícia foi traduzida por um tradutor automático