# Como os modelos generativos de machine learning estão sendo usados na descoberta de novos fármacos e quais são os principais desafios?

> Modelos generativos como LSTM-RNNs, VAEs, GANs, AAEs, algoritmos evolutivos e GRU-RNNs têm sido usados para gerar moléculas drug-like de novo. A revisão sistemática identificou oito desafios centrais, incluindo homogeneidade das bibliotecas geradas, baixa sintetizabilidade, dados de ensaio limitados, interpretabilidade do modelo, incapacidade de otimização multipropriedade, incomparabilidade, restrição de tamanho molecular e incerteza na avaliação.

Estudo citado: Martinelli DD. Generative machine learning for de novo drug discovery: A systematic review. Computers in biology and medicine. 2022. DOI: https://doi.org/10.1016/j.compbiomed.2022.105403. PubMed: https://pubmed.ncbi.nlm.nih.gov/35339849/

## Resposta

A descoberta de fármacos de novo é um processo complexo e demorado. Nos últimos cinco anos, modelos generativos de machine learning surgiram como ferramentas promissoras para automatizar a geração de moléculas com potencial terapêutico. Esta revisão sistemática analisou 87 estudos experimentais e revisões, identificando seis algoritmos proeminentes: redes neurais recorrentes de memória de longo prazo (LSTM-RNNs), autoencoders variacionais (VAEs), redes adversariais generativas (GANs), autoencoders adversariais (AAEs), algoritmos evolutivos e redes neurais recorrentes com unidades de porta (GRU-RNNs).

Além dos algoritmos, a revisão destacou oito desafios centrais que limitam a aplicação prática desses modelos: homogeneidade das bibliotecas moleculares geradas, baixa sintetizabilidade das moléculas propostas, escassez de dados de ensaio, dificuldade de interpretação dos modelos, incapacidade de otimizar múltiplas propriedades simultaneamente, falta de comparabilidade entre estudos, restrição no tamanho das moléculas geradas e incerteza na avaliação dos modelos. Esses desafios apontam para a necessidade de avanços tanto metodológicos quanto na padronização de métricas.

As moléculas podem ser representadas de diferentes formas: como strings (frequentemente aumentadas com randomização), como grafos 2D ou como grafos 3D. A escolha da representação impacta diretamente o desempenho dos modelos generativos. A revisão também realizou análises estatísticas e visualizações para ilustrar a evolução das abordagens de machine learning na descoberta de fármacos ao longo do período estudado.

Para o médico interessado em inovação terapêutica, esses avanços indicam um futuro em que a identificação de candidatos a fármacos pode se tornar mais eficiente. No entanto, a tradução para a prática clínica ainda depende da superação dos desafios listados, especialmente a validação experimental e a síntese viável das moléculas geradas. O resumo não fornece detalhes sobre a aplicação clínica direta ou sobre estudos em humanos.

## O que o estudo mostrou

Revisão sistemática de artigos experimentais e revisões dos últimos cinco anos, com busca em oito bases de dados (PubMed, ScienceDirect, Springer, Wiley Online Library, arXiv, MDPI, bioRxiv e IEEE Xplore), resultando em 87 estudos, acrescidos de estudos identificados por busca de citações. Foram identificados seis algoritmos principais (LSTM-RNNs, VAEs, GANs, AAEs, algoritmos evolutivos e GRU-RNNs) e oito desafios centrais no design computacional de moléculas. As moléculas foram codificadas como strings, grafos 2D ou grafos 3D. Análises estatísticas e visualizações ilustraram a evolução das abordagens.

## Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre possíveis vieses de publicação. Também não são fornecidos dados quantitativos sobre o desempenho dos modelos ou sobre a validação experimental das moléculas geradas. A ausência de informações sobre a aplicação clínica e a heterogeneidade das métricas de avaliação limitam conclusões comparativas.

## Aplicação no consultório

Embora a descoberta de fármacos por IA ainda não impacte diretamente o consultório, o médico pode acompanhar essas inovações para entender o pipeline de desenvolvimento de novos tratamentos. A compreensão dos desafios, como sintetizabilidade e otimização multipropriedade, ajuda a avaliar criticamente promessas de novas moléculas. Na gestão do consultório, o tema pode ser relevante para decisões de atualização científica e para o diálogo com pacientes sobre o horizonte terapêutico, sempre com cautela e base em evidências.

## Perguntas para aprofundar

- Quais algoritmos generativos são mais promissores para a descoberta de fármacos?
- Como a inteligência artificial pode acelerar o desenvolvimento de novos medicamentos?
- Quais são os principais obstáculos para a aplicação clínica de moléculas geradas por IA?

Tema: IA na descoberta de fármacos. Página: https://alphadoctor.com.br/ciencia/ia-descoberta-farmacos/como-os-modelos-generativos-de-machine-learning-estao-sendo-usados-na/

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