Inteligência artificial na descoberta de novos antibióticos contra a antibiorresistência

A inteligência artificial pode ajudar-nos a recuperar terreno onde a medicina convencional foi perdendo vantagem? Com esta tecnologia, os investigadores conseguem hoje avaliar milhões de estruturas químicas e encurtar significativamente o caminho até à descoberta de novos antibióticos.

Em 1928, Alexander Fleming encontrou quase por acaso a penicilina - uma descoberta que deu início a uma das maiores viragens da história da medicina: a criação dos antibióticos. Com eles, a humanidade passou a controlar algumas das piores doenças infecciosas; durante décadas, pareceram uma arma quase perfeita contra centenas de patologias, e foram usados de forma intensiva.

Como todos os seres vivos, as bactérias estão sujeitas à selecção natural. Ao recorrermos aos antibióticos em larga escala, aplicámos inadvertidamente uma pressão evolutiva enorme sobre milhares de milhões de microrganismos. As que, por mero acaso, tinham mutações protectoras sobreviveram, multiplicaram-se e transmitiram essa vantagem. Geração após geração (e as bactérias somam milhares de gerações por dia), o nosso arsenal terapêutico foi-se desgastando - e o aparecimento de “superbactérias” resistentes aos tratamentos é, infelizmente, cada vez mais comum.

Inteligência artificial e a descoberta de novos antibióticos

Não é por acaso que a Organização Mundial da Saúde (OMS) coloca a resistência aos antibióticos entre as ameaças globais mais graves para a saúde pública. Criar novos antibióticos para enfrentar estirpes resistentes é difícil de sustentar: na prática, arriscar-nos-íamos a alimentar o mesmo ciclo vicioso. A isto soma-se o custo de desenvolvimento - na ordem de milhares de milhões de dólares - e o facto de poderem passar cerca de dez anos até um medicamento chegar ao mercado.

É aqui que a medicina começa a apoiar-se na capacidade computacional da inteligência artificial para acelerar etapas críticas. O sistema AlphaFold, por exemplo, antecipa a estrutura tridimensional de proteínas, o que ajuda a compreender melhor os alvos moleculares nas bactérias. Também se destacam modelos AMR-AI, desenhados para prever a trajectória evolutiva de agentes patogénicos. A força destas ferramentas está em conseguirem condensar décadas de conhecimento terapêutico e biológico, extraindo padrões e princípios activos promissores - dando à medicina o segundo fôlego de que precisava com urgência.

AlphaFold e AMR-AI: mapear alvos e prever a evolução

Ao tornar mais acessível a leitura de estruturas e mecanismos biológicos, estes sistemas permitem ligar, com maior rapidez, a forma de uma molécula à sua probabilidade de atingir um alvo bacteriano relevante, e ainda antecipar como as populações microbianas podem adaptar-se.

A antibiorresistência, uma ameaça sanitária mundial em plena expansão

Todos os anos, cerca de 1,1 milhão de pessoas morrem devido a infecções provocadas por bactérias que os medicamentos já não conseguem eliminar. Se nada mudar, este total poderá chegar a oito milhões de mortes por ano até 2050 - ultrapassando o impacto agregado de todas as formas de cancro tal como o conhecemos hoje.

Dois nomes surgem recorrentemente na literatura científica como exemplos particularmente preocupantes deste fenómeno. Primeiro, Neisseria gonorrhoeae, a bactéria que causa a gonorreia, que já apresenta resistência a quase todos os antibióticos de primeira linha. Depois, Staphylococcus aureus, um microrganismo comum: está presente na pele de perto de um terço da população mundial sem causar sintomas, mas algumas estirpes tornaram-se resistentes à meticilina, um antibiótico da família das penicilinas que durante muito tempo foi considerado o tratamento de referência.

Na verdade, estes são apenas casos ilustrativos. Por trás deles, dezenas de patogénios seguem o mesmo trajecto. A resistência em certas estirpes avança muito mais depressa do que a nossa capacidade de a travar - pelo menos se nos limitarmos às estratégias farmacológicas tradicionais e à farmacopéia actual, que começa a parecer uma armadura cheia de brechas abertas pela adaptação microbiana.

O ritmo de renovação terapêutica já não acompanha o problema. Entre 2017 e 2022, apenas doze novos antibióticos receberam autorização de introdução no mercado e, quase sempre, tratava-se de variações em torno de famílias moleculares já conhecidas - precisamente aquelas para as quais as bactérias, em alguns casos, já dispunham de mecanismos de defesa.

Desenvolver uma molécula verdadeiramente inédita implica mais de uma década de investigação clínica e investimentos que a indústria farmacêutica está cada vez menos disposta a assumir. E há motivos claros: um antibiótico eficaz é, por definição, um fármaco que se procura prescrever o menos possível para não acelerar a sua perda de utilidade. Baixa rentabilidade, vida terapêutica incerta, regulamentação muito exigente e experimentação complexa: de certa forma, a indústria farmacêutica abandonou o problema antes mesmo de a ciência o conseguir resolver.

As superbactérias: o outro terreno de caça da IA

Foi no Massachusetts Institute of Technology que o professor James Collins propôs inverter o desafio: se as bactérias evoluem mais depressa do que conseguimos desenvolver e produzir medicamentos, por que não entregar a descoberta de novos antibióticos a um sistema capaz de operar à mesma escala?

Numa primeira fase, o modelo foi alimentado com tudo o que a farmacologia reuniu ao longo de um século: estruturas de antibióticos conhecidos, mecanismos de acção, morfologia bacteriana e perfis de toxicidade. O objectivo era ensiná-lo a reconhecer, na geometria de uma molécula, sinais que antecipassem actividade antibacteriana.

Com essa capacidade de generalização adquirida, o algoritmo avançou para uma exploração inalcançável por uma equipa humana: 45 milhões de estruturas químicas avaliadas - não por testes laboratoriais, mas por inferência. Em vez de uma abordagem de tentativa e erro, o sistema calculou de forma quase instantânea a probabilidade de sucesso de cada estrutura, simulando a interacção entre a molécula e as bactérias.

Através de iterações sucessivas e de ajustes na estrutura de compostos promissores, o modelo acabou por gerar 36 milhões de novos compostos. “Em poucas horas ou poucos dias, podemos analisar bibliotecas imensas de compostos químicos para identificar os que apresentam actividade antibacteriana”, explica James Collins.

Entre os que foram depois sintetizados e testados contra bactérias reais, dois demonstraram eficácia efectiva contra estirpes resistentes, com modos de acção suficientemente diferentes dos antibióticos existentes para contornar - pelo menos por algum tempo - as defesas que as bactérias construíram.

À primeira vista, duas moléculas em 36 milhões poderia parecer uma taxa de sucesso baixíssima, mas é exactamente o oposto. Em farmacologia e bioinformática, muitos programas de desenvolvimento de fármacos terminam após anos de trabalho sem que qualquer molécula ultrapasse a fase pré-clínica. O simples facto de surgirem duas candidatas plausíveis - mesmo sem autorização de comercialização - indica que o bloqueio era, provavelmente, tecnológico e cognitivo: as nossas metodologias de pesquisa estão a revelar limites claros. E embora seja certo que a IA não resolverá, por si só, a resistência aos antibióticos, torna-se cada vez mais evidente que, sem ela, teríamos sido forçados a continuar a procurar, demasiado lentamente e às apalpadelas, a terra incognita onde se escondem os antibióticos de amanhã.

---