Agora, pesquisadores liderados pelo Professor Ramon Vilar, do Departamento de Química do Imperial College London, e em colaboração com o Professor Kenneth Kam-Wing Lo, da City University de Hong Kong, o Professor Nils Metzler-Nolte, da Universidade Ruhr de Bochum, e a Professora Heather J. Kulik, do Instituto de Tecnologia de Massachusetts (MIT), demonstraram como a química e a automação podem trabalhar juntas para acelerar essa busca. Ao estudar centenas de compostos à base de metais e treinar modelos de aprendizado de máquina com os resultados, a equipe criou uma plataforma para descobrir futuros tratamentos para doenças, incluindo câncer e infecções resistentes a medicamentos.

Os compostos à base de metais são usados há muito tempo na medicina, mas ainda representam uma área pouco explorada na descoberta de fármacos. Enquanto os medicamentos convencionais são, em sua maioria, construídos como estruturas planas bidimensionais, os complexos metálicos podem conter diversos blocos de construção de maneira tridimensional distinta. A troca desses blocos de construção oferece aos pesquisadores uma forma modular de ajustar com precisão a forma e as propriedades de um composto, controlando, assim, seu comportamento em sistemas biológicos.

Para explorar esse potencial, a equipe construiu uma biblioteca de 336 compostos à base de irídio projetados para terapia fotodinâmica, uma abordagem de tratamento na qual os medicamentos são ativados somente quando expostos a um comprimento de onda específico de luz. Uma vez ativados, esses compostos geram formas altamente reativas de oxigênio que podem danificar as células cancerígenas próximas. Como o efeito é localizado na área iluminada, a terapia fotodinâmica oferece uma abordagem mais direcionada do que tratamentos que atuam em todo o corpo. Essa abordagem também é promissora para o combate a infecções, já que esse dano ativado pela luz tem muito menos probabilidade de levar as bactérias a desenvolver resistência a medicamentos, o que é uma grande preocupação futura para a saúde.

Os pesquisadores testaram os compostos contra células cancerígenas, células saudáveis e bactérias, e usaram experimentos automatizados para entender como eles se comportavam em sistemas biológicos, incluindo a facilidade com que entravam nas células, por onde se deslocavam dentro delas e a intensidade de sua resposta à luz.

Eles descobriram que vários compostos se tornavam mais potentes contra células cancerígenas quando ativados pela luz. Também encontraram compostos capazes de desencadear sinais biológicos associados à morte celular imunogênica, um processo que pode ajudar a alertar o sistema imunológico sobre a presença de tumores.

A análise também revelou uma descoberta importante: a química associada a tratamentos eficazes contra o câncer era frequentemente diferente da química associada a agentes antimicrobianos eficazes. Isso permitiu aos pesquisadores mapear regiões distintas do espaço químico ligadas a diferentes aplicações terapêuticas e desenvolver regras de design para medicamentos futuros.

Mas o estudo foi além da descoberta de novas terapias em potencial. Ao testar sistematicamente centenas de moléculas sob as mesmas condições, os pesquisadores criaram um conjunto de dados de alta qualidade que pôde ser usado para treinar modelos de aprendizado de máquina. Esses modelos foram então usados para selecionar mais de 200.000 compostos virtuais, ajudando a equipe a identificar os candidatos mais promissores para sintetizar e testar em laboratório.

Embora os compostos identificados ainda estejam em um estágio inicial de desenvolvimento, os pesquisadores acreditam que a plataforma pode transformar a maneira como novos medicamentos são descobertos. Ao combinar automação, triagem biológica e aprendizado de máquina, os pesquisadores podem explorar vastas regiões do espaço químico com muito mais eficiência do que as abordagens tradicionais. Em vez de sintetizar e testar compostos um a um, os pesquisadores podem identificar e priorizar rapidamente os candidatos a medicamentos mais promissores para desenvolvimento posterior.