Evidence-constrained mechanistic synthesis for drug discovery

A descoberta de fármacos frequentemente começa com uma montanha de pistas biológicas. Cientistas reúnem milhares de observações de experimentos laboratoriais, ensaios clínicos e estudos publicados, cada um oferecendo uma peça do quebra-cabeça sobre como uma doença funciona e como um medicamento pode interrompê-la. O desafio não é a falta de informação, mas o excesso dela. Pesquisadores frequentemente possuem mais evidências biológicas do que conseguem traduzir com segurança em um único modelo coerente da doença. Quando tentam forçar todos esses fatos díspares em uma única equação rígida, correm o risco de criar uma falsa sensação de certeza, transformando realidades biológicas complexas e mutáveis em números fixos que podem não refletir a verdade. O objetivo é encontrar um plano de tratamento que respeite todo o peso da evidência sem pretender saber mais do que os dados permitem.

Um novo framework chamado síntese mecanística baseada em restrição de evidências aborda este problema mudando a forma como os cientistas lidam com suas descobertas. Em vez de tentar converter cada peça de evidência em uma única probabilidade ou um coeficiente fixo, este método trata a evidência como um conjunto de limites. Ele classifica o que cada descoberta realmente contém e usa essa informação para restringir uma vasta família de modelos de doenças possíveis. Imagine uma grande coleção de milhares de diferentes hipóteses sobre como uma doença se comporta. A evidência não escolhe um vencedor; em vez disso, ela altera a frequência de quais eventos são considerados suportados dentro de todo esse grupo. Isso mantém a incerteza visível e distinta das decisões que os pesquisadores precisam tomar.

Os pesquisadores testaram essa abordagem usando um cenário específico do mundo real envolvendo a urticária crônica espontânea, uma condição caracterizada por urticárias persistentes. Eles reuniram uma coleção não exaustiva de 114 descobertas biológicas específicas de 53 fontes diferentes e 13 recursos de dados públicos. Em vez de fundi-las em um único modelo, usaram as descobertas para criar 18 restrições que definiram os limites de um conjunto congelado contendo 4.096 hipóteses diferentes. Este conjunto representa a gama completa de cenários biológicos plausíveis que permanecem consistentes com a evidência disponível. A equipe então formulou a busca por um regime de tratamento como um processo de correspondência de mudanças desejadas no modelo da doença. Os pesquisadores podiam especificar quais partes do sistema biológico queriam alterar e o quão importantes eram essas mudanças, enquanto permitiam que as variáveis de controle se ajustassem continuamente para atingir esses objetivos.

Para encontrar o melhor plano de tratamento dentro deste massivo conjunto de possibilidades, a equipe usou um método de busca específico que refinava sistematicamente as opções. Eles validaram esta busca em todas as 4.096 hipóteses do conjunto. Os resultados mostraram que este método reduziu o erro na correspondência dos alvos desejados em 27,3 por cento em comparação com o melhor resultado encontrado entre 44 pontos de partida padrão. Crucialmente, quando os pesquisadores mudaram seus objetivos — decidindo priorizar diferentes resultados — o sistema selecionou um conjunto diferente de variáveis de controle, embora o conjunto subjacente de evidências tenha permanecido inalterado. Isso demonstrou que o método mantém a evidência bruta separada dos objetivos específicos do plano de tratamento. Uma análise complementar também destacou que a incerteza sobre a conexão entre os mastócitos e a doença foi o fator mais crítico para a tomada de decisão, mostrando que qual parte da biologia importa mais depende inteiramente do que o pesquisador está tentando alcançar.

Este framework foi projetado para os estágios iniciais do desenvolvimento de fármacos, uma fase onde os cientistas devem dar sentido à literatura dispersa antes de se comprometerem com um caminho específico. Ao tornar os dados heterogêneos computáveis enquanto mantém a evidência, a incerteza e as preferências de decisão distintas, o método permite que os pesquisadores naveguem pela complexidade dos sistemas biológicos sem forçar uma precisão falsa. Oferece uma maneira de usar toda a profundidade do conhecimento existente para guiar decisões, garantindo que o caminho à frente seja construído sobre o que é conhecido, ao mesmo tempo em que reconhece claramente o que permanece incerto.