Os investigadores, da Universidade de Cambridge, conceberam e utilizaram uma estratégia baseada em IA para identificar compostos que bloqueiam a aglomeração, ou agregação, da alfa-sinucleína, a proteína que caracteriza a doença de Parkinson.

A equipe usou técnicas de aprendizado de máquina para examinar rapidamente uma biblioteca química contendo milhões de entradas e identificou cinco compostos altamente potentes para investigação adicional.

A doença de Parkinson afeta mais de seis milhões de pessoas em todo o mundo, prevendo-se que esse número triplique até 2040. Atualmente, não estão disponíveis tratamentos modificadores da doença para esta doença. O processo de triagem de grandes bibliotecas químicas em busca de candidatos a medicamentos – que precisa acontecer bem antes que tratamentos potenciais possam ser testados em pacientes – é extremamente demorado e caro, e muitas vezes malsucedido.

Usando a aprendizagem automática, os investigadores conseguiram acelerar o processo de rastreio inicial em dez vezes e reduzir o custo em mil vezes, o que pode significar que potenciais tratamentos para a doença de Parkinson chegam aos pacientes muito mais rapidamente. Os resultados são relatados na revista Nature Chemical Biology.

O Parkinson é a condição neurológica que mais cresce em todo o mundo. No Reino Unido, uma em cada 37 pessoas vivas hoje será diagnosticada com Parkinson durante a vida. Além dos sintomas motores, o Parkinson também pode afetar o sistema gastrointestinal, o sistema nervoso, os padrões de sono, o humor e a cognição, e pode contribuir para uma redução da qualidade de vida e incapacidade significativa.

As proteínas são responsáveis por processos celulares importantes, mas quando as pessoas têm Parkinson, essas proteínas se tornam desonestas e causam a morte das células nervosas. Quando as proteínas se dobram incorretamente, elas podem formar aglomerados anormais chamados corpos de Lewy, que se acumulam nas células cerebrais, impedindo-as de funcionar adequadamente.

“Um caminho para a busca de tratamentos potenciais para o Parkinson requer a identificação de pequenas moléculas que possam inibir a agregação da alfa-sinucleína, que é uma proteína intimamente associada à doença”, disse o professor Michele Vendruscolo, do Departamento de Química Yusuf Hamied, que liderou a pesquisa. “Mas este é um processo extremamente demorado – apenas identificar um candidato principal para testes adicionais pode levar meses ou até anos.”

Embora existam actualmente ensaios clínicos para a doença de Parkinson em curso, nenhum medicamento modificador da doença foi aprovado, refletindo a incapacidade de atingir diretamente as espécies moleculares que causam a doença.

Este tem sido um grande obstáculo na pesquisa do Parkinson, devido à falta de métodos para identificar os alvos moleculares corretos e interagir com eles. Esta lacuna tecnológica tem dificultado gravemente o desenvolvimento de tratamentos eficazes.

A equipe de Cambridge desenvolveu um método de aprendizado de máquina no qual bibliotecas químicas contendo milhões de compostos são examinadas para identificar pequenas moléculas que se ligam aos agregados amilóides e bloqueiam sua proliferação.

Um pequeno número de compostos de primeira linha foi então testado experimentalmente para selecionar os inibidores de agregação mais potentes. As informações obtidas com esses ensaios experimentais foram realimentadas no modelo de aprendizado de máquina de maneira iterativa, de modo que, após algumas iterações, foram identificados compostos altamente potentes.

“Em vez de fazer a triagem experimental, fazemos a triagem computacional”, disse Vendruscolo, que é codiretor do Center for Misfolding Diseases . “Ao usar o conhecimento que adquirimos na triagem inicial com nosso modelo de aprendizado de máquina, fomos capazes de treinar o modelo para identificar as regiões específicas nessas pequenas moléculas responsáveis pela ligação, e então podemos fazer uma nova triagem e encontrar moléculas mais potentes.”

Usando este método, a equipe de Cambridge desenvolveu compostos para atingir bolsões nas superfícies dos agregados, que são responsáveis pela proliferação exponencial dos próprios agregados. Esses compostos são centenas de vezes mais potentes e muito mais baratos de desenvolver do que os relatados anteriormente.

“A aprendizagem automática está a ter um impacto real na descoberta de medicamentos – está a acelerar todo o processo de identificação dos candidatos mais promissores”, disse Vendruscolo. “Para nós, isto significa que podemos começar a trabalhar em vários programas de descoberta de medicamentos – em vez de apenas um. Tanta coisa é possível devido à enorme redução de tempo e custo – é um momento emocionante.”

A pesquisa foi conduzida no Laboratório de Química da Saúde em Cambridge, que foi criado com o apoio do Fundo de Investimento em Parcerias de Pesquisa do Reino Unido (UKRPIF) para promover a tradução de pesquisas acadêmicas em programas clínicos.