MtbAIM: AI/ML-guided endpoint-specific prediction of small-molecule activity across drug-susceptible and drug-resistant Mycobacterium tuberculosis

A tuberculose continua sendo uma das ameaças infecciosas mais persistentes da humanidade, uma doença que continua a tirar mais de um milhão de vidas anualmente, apesar de décadas de esforços médicos. A situação tornou-se cada vez mais precária porque as bactérias responsáveis pela doença estão a evoluir para sobreviver aos próprios medicamentos concebidos para as matar. Quando uma estirpe de tuberculose se torna resistente aos fármacos padrão, as opções de tratamento reduzem-se drasticamente, forçando frequentemente os médicos a recorrer a terapias mais antigas, mais tóxicas ou menos eficazes. Para os cientistas que tentam descobrir novas curas, isto cria um enigma difícil: um composto químico pode funcionar perfeitamente contra uma versão padrão e sensível ao fármaco da bactéria, mas falhar completamente contra uma estirpe resistente. Encontrar um novo fármaco já não é apenas encontrar algo que mate a bactéria; é encontrar algo que mate a bactéria mesmo quando esta aprendeu a lutar de volta.

Nos últimos anos, os investigadores recorreram à inteligência artificial para ajudar a resolver este enigma, esperando escanear vastas bibliotecas de estruturas químicas e prever quais poderiam funcionar antes mesmo de serem testadas num laboratório. No entanto, muitos destes modelos computacionais trataram todas as bactérias da tuberculose como se fossem iguais, ou focaram-se apenas numa única medida de quão bem um fármaco funciona. Esta abordagem corre o risco de perder as diferenças cruciais entre as bactérias que são facilmente tratáveis e aquelas que não o são. Um novo estudo de investigadores do Instituto Indiano de Tecnologia de Deli aborda esta lacuna ao construir um sistema especializado que trata as bactérias suscetíveis e resistentes a fármacos como desafios distintos, observando também diferentes níveis de potência do fármaco para ver exatamente o quão forte um composto precisa de ser.

A equipa, liderada por Jasdeep Singh e Kritika Singh, começou por reunir uma coleção massiva de dados existentes sobre como várias pequenas moléculas interagem com as bactérias da tuberculose. Eles extraíram quase 30.000 registos de uma base de dados científica pública, separando cuidadosamente a informação em dois grupos: um contendo dados sobre como os compostos afetam as bactérias suscetíveis a fármacos, e outro para aqueles que afetam estirpes resistentes a fármacos. Eles também garantiram que os dados não fossem apenas uma lista simples de "funciona" ou "não funciona", mas que incluíssem medições específicas da concentração necessária para travar o crescimento bacteriano. Isto permitiu distinguir entre um composto que é meramente ativo e um que é altamente potente.

Para ensinar os seus modelos computacionais, os investigadores alimentaram estas estruturas químicas em diferentes tipos de representações digitais. Algumas destas representações utilizaram métodos estabelecidos para descrever as propriedades físicas e químicas das moléculas, enquanto outras utilizaram sistemas de inteligência artificial avançados e pré-treinados que tinham aprendido a compreender formas moleculares por conta própria. O objetivo era ver qual método era melhor a prever se um novo composto químico funcionaria contra a bactéria. Crucialmente, os investigadores testaram estes modelos utilizando um método rigoroso que garantia que o computador não estava simplesmente a memorizar as formas das moléculas que já tinha visto. Em vez disso, testaram os modelos em famílias químicas inteiramente novas, simulando o cenário real de descoberta de um fármaco para uma estrutura que o computador nunca tinha encontrado antes.

Os resultados revelaram um padrão claro. Embora os sistemas de inteligência artificial avançados e pré-treinados fossem capazes de aprender informações úteis sobre as moléculas, não superaram consistentemente os métodos mais tradicionais e estabelecidos de descrição de estruturas químicas. De facto, tanto para bactérias suscetíveis como resistentes a fármacos, os modelos que combinavam descrições químicas padrão com algoritmos de decisão baseados em árvores provaram ser os mais fiáveis. Estes modelos previram com sucesso se um composto seria ativo e, talvez mais importante, estimaram a força específica dessa atividade com um alto grau de precisão. O sistema foi capaz de lidar com a complexidade da resistência aos fármacos, mostrando que a capacidade de um composto de matar a bactéria não é um traço único e fixo, mas depende fortemente do tipo específico de bactéria que enfrenta.

Para tornar estas descobertas úteis para outros cientistas, os investigadores construíram uma plataforma online gratuita chamada MtbAIM. Esta ferramenta permite que qualquer pessoa introduza a estrutura química de uma molécula e receba instantaneamente uma previsão de quão bem ela poderá funcionar contra a tuberculose suscetível e resistente a fármacos. A plataforma fornece um output duplo: informa o utilizador se o composto é provavelmente ativo e fornece uma estimativa específica da sua potência. Esta capacidade dupla é vital porque ajuda os investigadores a priorizar quais os compostos a testar no laboratório, poupando tempo e recursos ao focar-se nos candidatos mais promissores. O sistema não substitui a necessidade de testes laboratoriais reais, mas atua como um filtro poderoso, guiando os cientistas em direção aos químicos que têm a maior probabilidade de sucesso.

O estudo também destacou a importância de observar diferentes níveis de potência de fármacos. Os investigadores descobriram que prever a concentração exata necessária para travar o crescimento bacteriano era possível, mas a precisão destas previsões variava dependendo de quanta informação estava disponível para essa medição específica. Para as medições mais comuns, os modelos eram bastante precisos, mas para os pontos de dados mais raros, a incerteza era maior. Ao manter estas diferentes medições separadas, em vez de as fundir, os investigadores garantiram que a incerteza fosse visível e honesta. Esta transparência é uma característica fundamental da sua abordagem, pois evita que os utilizadores sobrestimem a certeza de uma previsão quando os dados subjacentes são escassos.

Em última análise, este trabalho demonstra que a inteligência artificial pode ser uma parceira prática na luta contra a tuberculose, desde que seja desenhada com as realidades biológicas da doença em mente. Ao separar as bactérias suscetíveis das resistentes a fármacos e ao tratar diferentes medidas de força de fármacos como questões distintas, os investigadores criaram uma ferramenta que oferece uma visão mais matizada e realista de potenciais novos tratamentos. A conclusão de que as descrições químicas tradicionais ainda mantêm o seu valor face aos modelos de inteligência artificial mais novos e complexos sugere que, no domínio da descoberta de fármacos, os métodos estabelecidos combinados com uma manipulação cuidadosa de dados podem ser tão poderosos quanto as últimas tendências tecnológicas. A plataforma resultante oferece uma forma clara e acessível para a comunidade científica global realizar o rastreio de novos químicos, aproximando-nos um passo mais da descoberta da próxima geração de tratamentos para a tuberculose.