Pharmaceutical Technology Brasil Ed. 4-23

Pharmaceutical Technology 13 Pharmaceutical Technology 13 Edição Brasileira - Vol. 27 / Nº4 tividade ajuda a indústria a gerenciar as informações em programas indivi- duais. Além disso, também ajuda na agregação de dados para progredir na modelagem ML/AI em direção a uma melhor previsão e ferramentas de assistência, diz ele. “Ao fazer isso, também temos a oportunidade de reduzir os prazos ge- rais para os pesquisadores combinarem conjuntos de dados compartilhados por vários parceiros em todo o ecos- sistema, incluindo a academia, CROs [organizações de pesquisa contrata- das] e CDMOs [organizações de desen- volvimento e fabricação contratadas]”, afirma Wishart. “Hoje, os cientistas gastam muito tempo fazendo isso, e vislumbramos um mundo onde haja forte interoperabilidade de dados en- tre organizações em todas as fases da descoberta de fármacos”. Enquanto isso, Varshney enfatiza o fato de que o desenvolvimento in- teligente de medicamentos depende da digitalização. Ela explica que as abordagens baseadas in silico, sejam elas rotuladas como “Desenvolvimento de Fármaco Informado por Modelo” ou “Gêmeo Digital”, preenchem a lacuna entre o processo biológico humano e a compreensão desses processos, alavancando enormes quantidades de dados de recursos científicos existen- tes e ensaios personalizados. “A digitalização permite a conver- são de dados analógicos para fins de análise complexa e aprendizado de máquina. Isso abre a porta para uma compreensão computacional de alta potência dos processos biológicos e previsões sobre como os fármacos irão interagir com eles”, afirma Var- shney. Ela acrescenta ainda que a digitalização também reduz a “caixa preta” dos testes em animais, em que os experimentos geralmente são bem sucedidos, mas falham inexplicavel- mente em humanos. Ferramentas de troca Ferramentas como IA, automação, ML e digitalização já estão sendo uti- lizadas para processos de fabricação bio/farmacêutica, mas como elas estão sendo aproveitadas nas fases de P & D e descoberta/triagem de fármacos? De acordo com Varshney, um uso para AI e ML é gerar ocorrências de compostos para um determinado alvo, um processo que normalmente rastreia estruturas moleculares que podem se ligar ao alvo de bilhões de moléculas em potencial. Outro uso que ela aponta é a previsão de várias características de uma ou mais (por exemplo, 1000s) moléculas, incluindo o mecanismo de ação no corpo, toxicidade e muito mais – em diferentes dosagens, vias de administração e formulações. “Essas previsões podem ser usadas para classificar os compostos quanto ao potencial sucesso e fracasso, bem antes dos ensaios clínicos, reduzindo o risco financeiro associado ao desenvol- vimento de um candidato a fármaco”, acrescenta ela. As técnicas de AI e ML também po- dem ser usadas para entender como a eficácia do candidato a fármaco pode variar em diferentes populações de pacientes, continua Varshney. Essas técnicas podem ser usadas para infor- mar o desenho do estudo, a dosagem e as terapias combinadas, entre outras coisas. “Gerar uma análise preditiva de estratificação do paciente dessa ma- neira pode melhorar o sucesso clínico e, por fim, nos aproximar de cuidados médicos de precisão”, afirma ela. Wishart observa que o setor está vendo um grande interesse na aplica- ção de AI/ML e automação em todas as etapas do processo de descoberta de fármacos e em todas as modalidades. Na descoberta de alvos, por exemplo, enormes volumes de dados estão sen- do vinculados para selecionar alvos modificadores de doenças. Enquanto isso, dados pré-clínicos e clínicos estão sendo usados para selecionar as populações de pacientes para as quais o fármaco é benéfico. No en- tanto, Wishart acrescenta, a área de maior interesse pessoal está na fase de descoberta inicial (pequenas molécu- las), onde modelos generativos estão sendo usados para projetar compostos otimizados em sua pontuação versus modelos preditivos para parâmetros