Esses compostos podem matar Staphylococcus aureus resistente à meticilina (MRSA), uma bactéria que causa infecções fatais.
Utilizando um tipo de inteligência artificial conhecida como aprendizado profundo, pesquisadores do MIT descobriram uma classe de compostos capazes de matar uma bactéria resistente a medicamentos que causa mais de 10.000 mortes nos Estados Unidos a cada ano.
Em um estudo publicado hoje na revista Nature, os pesquisadores demonstraram que esses compostos podem matar o Staphylococcus aureus resistente à meticilina (MRSA) cultivado em uma placa de laboratório e em dois modelos de infecção por MRSA em camundongos. Os compostos também mostram uma toxicidade muito baixa contra as células humanas, tornando-os candidatos a medicamentos especialmente promissores.
Uma inovação fundamental do novo estudo é que os pesquisadores também conseguiram descobrir que tipo de informação o modelo de aprendizado profundo estava utilizando para fazer suas previsões de potência antibiótica. Esse conhecimento poderia ajudar os pesquisadores a projetar medicamentos adicionais que possam funcionar ainda melhor do que aqueles identificados pelo modelo.
“A ideia aqui foi que poderíamos ver o que estava sendo aprendido pelos modelos para fazer suas previsões de que certas moléculas seriam boas para antibióticos. Nosso trabalho fornece uma estrutura que é eficiente em tempo, eficiente em recursos e perspicaz mecanicamente, do ponto de vista da estrutura química, de maneiras que não tivemos até hoje”, diz James Collins, Professor Termeer de Engenharia Médica e Ciência no Instituto de Engenharia Médica e Científica (IMES) do MIT e no Departamento de Engenharia Biológica.
Felix Wong, um pós-doutorado no IMES e no Broad Institute do MIT e Harvard, e Erica Zheng, uma ex-aluna de pós-graduação da Escola de Medicina de Harvard que foi orientada por Collins, são os principais autores do estudo, que faz parte do Projeto Antibióticos-AI no MIT. A missão deste projeto, liderado por Collins, é descobrir novas classes de antibióticos contra sete tipos de bactérias mortais, ao longo de sete anos.
Previsões explicáveis
O MRSA, que infecta mais de 80.000 pessoas nos Estados Unidos a cada ano, frequentemente causa infecções na pele ou pneumonia. Casos graves podem levar à sepse, uma infecção potencialmente fatal no sangue.
Nos últimos anos, Collins e seus colegas na Clínica Abdul Latif Jameel do MIT para Aprendizado de Máquina em Saúde (Jameel Clinic) começaram a usar aprendizado profundo para tentar encontrar novos antibióticos. Seu trabalho tem produzido possíveis medicamentos contra Acinetobacter baumannii, uma bactéria frequentemente encontrada em hospitais, e muitas outras bactérias resistentes a medicamentos.
Esses compostos foram identificados usando modelos de aprendizado profundo que podem aprender a identificar estruturas químicas associadas à atividade antimicrobiana. Esses modelos então analisam milhões de outros compostos, gerando previsões de quais podem ter uma forte atividade antimicrobiana.
Esse tipo de busca tem se mostrado frutífero, mas uma limitação desse abordagem é que os modelos são “caixas-pretas”, o que significa que não há como saber em quais características o modelo baseou suas previsões. Se os cientistas soubessem como os modelos estavam fazendo suas previsões, poderia ser mais fácil para eles identificar ou projetar antibióticos adicionais.
“O que buscamos neste estudo foi abrir a caixa-preta”, diz Wong. “Esses modelos consistem em um número muito grande de cálculos que imitam conexões neurais, e ninguém realmente sabe o que está acontecendo por baixo do capô.”
Primeiro, os pesquisadores treinaram um modelo de aprendizado profundo usando conjuntos de dados substancialmente expandidos. Eles geraram esses dados de treinamento testando cerca de 39.000 compostos quanto à atividade antibiótica contra o MRSA,
