# Quais arquiteturas de deep learning têm sido validadas in vivo no processo de descoberta de fármacos?

> Revisão sistemática identificou sete algoritmos de deep learning aplicados à descoberta de fármacos com validação in vivo: LSTM-RNNs, autoencoders (AEs, WAEs, VAEs), CNNs, D-MPNNs e MTDNNs. LSTM-RNNs foram as mais usadas, com moléculas ou peptídeos como entradas. A IA ainda está em estágio inicial, mas pode acelerar o ciclo, reduzir custos e integrar os princípios 3R.

Estudo citado: Koutroumpa NM, Papavasileiou KD, Papadiamantis AG, Melagraki G, Afantitis A. A Systematic Review of Deep Learning Methodologies Used in the Drug Discovery Process with Emphasis on In Vivo Validation. International journal of molecular sciences. 2023. DOI: https://doi.org/10.3390/ijms24076573. PubMed: https://pubmed.ncbi.nlm.nih.gov/37047543/

## Resposta

A revisão sistemática teve como objetivo sumarizar as diferentes arquiteturas de deep learning utilizadas no processo de descoberta de fármacos que foram validadas com experimentos in vivo adicionais. Para cada estudo incluído, a molécula ou peptídeo proposto ou gerado pelo modelo de deep learning foi biologicamente avaliado em modelos animais. Isso permitiu identificar quais abordagens computacionais tiveram confirmação experimental em organismos vivos.

Foram identificados sete algoritmos: redes neurais recorrentes, especificamente long short-term memory (LSTM-RNNs); autoencoders (AEs) e suas variantes Wasserstein Autoencoders (WAEs) e Variational Autoencoders (VAEs); redes neurais convolucionais (CNNs); Direct Message Passing Neural Networks (D-MPNNs); e Multitask Deep Neural Networks (MTDNNs). As LSTM-RNNs foram as arquiteturas mais utilizadas, com moléculas ou sequências de peptídeos como entradas.

Os autores destacam que, embora a inteligência artificial na descoberta de fármacos ainda esteja em sua infância, ela tem grande potencial para acelerar o ciclo de descoberta de fármacos, reduzir os custos necessários e contribuir para a integração dos princípios 3R (Replacement, Reduction, Refinement). No entanto, apenas alguns modelos tiveram impacto imediato no desenvolvimento de fármacos, uma vez que resultados computacionais podem não ser confirmados experimentalmente.

A revisão reforça a importância da validação in vivo para que os achados computacionais possam ser traduzidos em candidatos reais. A descrição das arquiteturas e das respectivas validações experimentais fornece um panorama para pesquisadores e clínicos sobre o estado atual da aplicação de deep learning na descoberta de fármacos.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que sumarizou arquiteturas de deep learning usadas na descoberta de fármacos e validadas com experimentos in vivo. Para cada estudo, a molécula ou peptídeo gerado ou identificado pelo modelo foi biologicamente avaliado em modelos animais. Foram identificados sete algoritmos: LSTM-RNNs, autoencoders (AEs, WAEs, VAEs), CNNs, D-MPNNs e MTDNNs. LSTM-RNNs foram as mais usadas, com moléculas ou sequências de peptídeos como entradas. O resumo não informa o número de artigos incluídos nem o desenho detalhado de cada estudo.

## Limitações

O resumo não informa o número de artigos revisados, os critérios de seleção, a qualidade metodológica dos estudos incluídos ou as limitações específicas de cada validação in vivo. Também não detalha o desempenho comparativo das arquiteturas. Portanto, as conclusões devem ser interpretadas com cautela, considerando que se trata de uma visão geral e que a IA na descoberta de fármacos ainda está em estágio inicial.

## Aplicação no consultório

Para o médico, o estudo oferece um panorama das arquiteturas de deep learning com validação in vivo, útil para entender o cenário da descoberta de fármacos. Na prática clínica, isso pode influenciar a forma como novos tratamentos são apresentados e discutidos com colegas. Na gestão do consultório, pode orientar decisões sobre adoção de tecnologias e participação em pesquisas, lembrando que a validação experimental é essencial antes de qualquer aplicação clínica.

## Perguntas para aprofundar

- Quais são as principais arquiteturas de deep learning validadas in vivo na descoberta de fármacos?
- Como a validação in vivo é incorporada nos estudos de deep learning para descoberta de fármacos?
- Quais os desafios para traduzir resultados computacionais em candidatos a fármacos com eficácia comprovada?

Tema: IA na descoberta de fármacos. Página: https://alphadoctor.com.br/ciencia/ia-descoberta-farmacos/quais-arquiteturas-de-deep-learning-tem-sido-validadas-in-vivo-no-processo-de/

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