Krishna Bulusu, da AstraZeneca, fez uma apresentação na conferência ELRIG Drug Discovery em Londres em 11 de março. Crédito: SOPA Images via Getty Images.
O diretor sênior de ciência de dados oncológicos da AstraZeneca descreveu como a empresa usa IA para descoberta de medicamentos em uma palestra recente
A inteligência artificial (IA) está transformando a descoberta de medicamentos, mas sua implementação deve ser cuidadosa e estratégica, de acordo com Krishna Bulusu, diretor sênior de ciência de dados oncológicos da AstraZeneca.
Falando na reunião ELRIG Drug Discovery em Londres em 11 de março de 2025, Bulusu descreveu como a IA pode melhorar a eficiência, reduzir custos e apoiar a personalização da medicina, mas alertou que seu sucesso depende da integração de dados, explicabilidade do modelo e previsões específicas do contexto.
"Acelerar a descoberta de medicamentos não significa apenas fazer a mesma coisa muito, muito rápido. Isso significa que também vamos fazer coisas diferentes e vamos fazer as coisas com mais eficiência", disse Bulusu. Ele enfatizou que a IA não deve ser aplicada indiscriminadamente, mas deve ser usada para responder a questões científicas bem definidas.
Um exemplo importante de como a AstraZeneca está usando o papel da IA na descoberta de medicamentos é a colaboração da empresa com a empresa de simulação biológica Turbine. A parceria, anunciada em janeiro de 2024, usa a tecnologia de células cancerígenas simuladas da Turbine para modelar mecanismos de resistência a medicamentos em cânceres hematológicos.
Ao integrar dados públicos e proprietários, o modelo orientado por IA gera milhões de simulações, prevendo interações medicamentosas e identificando possíveis terapias combinadas. "Agora isso é poderoso, certo?" Bulusu perguntou. "Porque o aspecto da escalabilidade – se eu tiver que ir ao laboratório e fazer isso, vai me custar muito dinheiro."
Ao contrário da pesquisa tradicional baseada em laboratório, que pode ser demorada e cara, as simulações de IA permitem que os pesquisadores explorem caminhos biológicos complexos em uma fração do tempo. O modelo fornece insights quantitativos sobre como diferentes inibidores afetam as vias celulares, oferecendo uma nova maneira de gerar hipóteses e refinar estratégias de desenvolvimento de medicamentos.
"Do ponto de vista da grande indústria farmacêutica, isso é ótimo porque tenho um portfólio de medicamentos e você está me dizendo onde posicionar meus medicamentos de portfólio, seja como terapia normal ou em combinações. É por isso que trabalhamos em estreita colaboração com a Turbine nisso", acrescentou Bulusu.
A ideia de simulação biológica orientada por IA está ganhando força em toda a indústria. Demis Hassabis, CEO da DeepMind e co-criador do AlphaFold, já havia compartilhado sua visão para células virtuais alimentadas por IA: "Meu sonho é eventualmente ter células virtuais, como uma simulação de uma célula virtual. Estamos talvez a dez anos disso", disse Hassabis no Financial Times Pharma and Biotech Summit em novembro de 2024.
No entanto, Bulusu ressaltou que o sucesso da IA na descoberta de medicamentos não se trata apenas do avanço tecnológico, mas também de garantir que os modelos sejam interpretáveis e as previsões sejam relevantes. "O valor da IA, pelo menos com as organizações maiores no passado, é quando um não cientista de dados as entende e aprecia. E isso não acontece a menos que vocês estejam trabalhando juntos."
Investigando o escopo da IA na descoberta de medicamentos
Apesar do potencial da IA, desafios significativos permanecem. Bulusu apontou lacunas nos dados longitudinais do paciente, vieses nos modelos de IA e a necessidade de uma melhor detecção precoce da doença.
"A IA precisa se tornar um parceiro de pensamento. E para que isso aconteça, a confiança no que estamos fazendo como cientistas de dados precisa aparecer", disse ele.
Para enfrentar esses desafios, Bulusu enfatizou a necessidade de melhorar a coleta e integração de dados, particularmente capturando toda a jornada do paciente, desde os estágios pré-clínicos até os clínicos. "Somos muito ruins como comunidade na geração de dados longitudinais", disse ele. Os dados longitudinais precisam ser coletados antes da pesquisa pré-clínica e clínica, mas isso está acontecendo ao contrário. Isso é importante, porque Bulusu disse que, embora "a jornada de um paciente seja muito importante para capturar, estamos apenas tirando fotos dela".
Olhando para o futuro, Bulusu enfatizou a importância de começar com a pergunta científica certa antes de selecionar um modelo de IA.
"Do ponto de vista da IA, o valor e o impacto são e sempre serão impulsionados começando com a pergunta certa e, em seguida, perguntando qual é o modelo certo para responder a essa pergunta. Nunca é o contrário", concluiu Bulusu.
Fonte: Pharmaceutical Technology
Comentários