# A biologia de redes e o aprendizado de máquina podem identificar fármacos reposicionáveis para o tratamento da esclerose lateral amiotrófica?

> Sim. Uma meta-análise de dados transcriptômicos de neurônios motores e músculo de pacientes com esclerose lateral amiotrófica identificou cinco candidatos a fármacos reposicionáveis: Nilotinib, Trovafloxacin, Apratoxin A, Carboplatin e Clinafloxacin. A abordagem combinou biologia de redes e aprendizado de máquina para prever alvos e efeitos na expressão gênica, mas os achados ainda requerem validação experimental.

Estudo citado: Temiz K, Gul A, Gov E. 5-Repurposed Drug Candidates Identified in Motor Neurons and Muscle Tissues with Amyotrophic Lateral Sclerosis by Network Biology and Machine Learning Based on Gene Expression. Neuromolecular medicine. 2025. DOI: https://doi.org/10.1007/s12017-025-08847-z. PubMed: https://pubmed.ncbi.nlm.nih.gov/40180646/

## Resposta

A esclerose lateral amiotrófica (ELA) é uma doença neurodegenerativa progressiva que leva à degeneração de neurônios motores, fraqueza muscular e insuficiência respiratória. Apesar das pesquisas, as opções terapêuticas são limitadas. Nesse contexto, o reposicionamento de fármacos surge como uma estratégia para identificar novos usos para medicamentos já existentes, acelerando o desenvolvimento de tratamentos.

O estudo utilizou uma abordagem computacional integrando biologia de redes e aprendizado de máquina. Foram analisados quatro conjuntos de dados transcriptômicos de pacientes com ELA e controles saudáveis, incluindo tecido de neurônios motores e músculo. A meta-análise identificou genes diferencialmente expressos comuns em cada tecido, que serviram de base para a construção de redes de coexpressão gênica.

A partir dessas redes, foram definidos dois clusters: um para tecido muscular e outro para neurônios motores. Os nós desses clusters foram avaliados por algoritmos de aprendizado de máquina (KNN, SVM e Random Forest) para distinguir entre estados doente e saudável. Em seguida, os nós foram usados como alvos para análise de reposicionamento de fármacos e mineração de texto, resultando em cinco candidatos: Nilotinib, Trovafloxacin, Apratoxin A, Carboplatin e Clinafloxacin.

O impacto potencial desses fármacos na expressão dos genes dos clusters foi previsto por modelos de regressão linear, SVR, Random Forest, Gradient Boosting e redes neurais. Os resultados sugerem que esses compostos podem modular vias relevantes para a ELA, mas são necessários estudos experimentais para validar os achados. A abordagem destaca o potencial da integração de técnicas computacionais na descoberta de fármacos para doenças neurodegenerativas.

Para o médico, esses achados ainda não têm aplicação clínica imediata, mas indicam direções promissoras para pesquisa translacional. O reposicionamento de fármacos pode oferecer alternativas terapêuticas mais rápidas e econômicas, desde que confirmadas em modelos pré-clínicos e ensaios clínicos. A metodologia também pode ser adaptada para outras doenças, ampliando o escopo da descoberta de fármacos baseada em dados.

## O que o estudo mostrou

Trata-se de uma meta-análise de quatro conjuntos de dados transcriptômicos de pacientes com ELA e controles saudáveis, incluindo tecido de neurônios motores e músculo. Foram identificados genes diferencialmente expressos comuns e construídos clusters de coexpressão gênica. Algoritmos de aprendizado de máquina (KNN, SVM e Random Forest) avaliaram a capacidade dos nós dos clusters em distinguir doentes de saudáveis. A análise de reposicionamento de fármacos e mineração de texto apontou cinco candidatos: Nilotinib, Trovafloxacin, Apratoxin A, Carboplatin e Clinafloxacin. Modelos preditivos estimaram o impacto desses fármacos na expressão dos genes dos clusters.

## Limitações

O resumo não informa o tamanho amostral dos conjuntos de dados, nem detalhes sobre a validação dos achados. Os resultados são baseados em análises computacionais e predições, sem confirmação experimental. Não há informações sobre a relevância clínica ou segurança dos fármacos identificados. Portanto, os achados são exploratórios e requerem validação em estudos pré-clínicos e clínicos.

## Aplicação no consultório

No momento, os achados não alteram a prática clínica, pois os fármacos identificados ainda não foram validados para ELA. O médico deve manter as condutas estabelecidas e acompanhar as pesquisas. A abordagem computacional pode inspirar a busca por terapias personalizadas, mas sua aplicação no consultório depende de confirmação em ensaios clínicos. A gestão do consultório pode se beneficiar do conhecimento sobre novas fronteiras terapêuticas para discussão com pacientes e equipe.

## Perguntas para aprofundar

- Quais são os mecanismos pelos quais os fármacos identificados poderiam atuar na ELA?
- Como a biologia de redes e o aprendizado de máquina podem ser aplicados na prática clínica?
- Quais são os próximos passos para validar esses candidatos a fármacos?

Tema: IA na descoberta de fármacos. Página: https://alphadoctor.com.br/ciencia/ia-descoberta-farmacos/a-biologia-de-redes-e-o-aprendizado-de-maquina-podem-identificar-farmacos/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.