IA pode ser utilizada para combater a crise global das superbactérias

Uma equipa de investigadores da Universidade de Queensland (UQ), na Austrália, desenvolveu um novo enquadramento que poderá acelerar a descoberta de antibióticos, ao tornar mais fiável o uso de inteligência artificial (IA) no processo de desenvolvimento de fármacos. O estudo, conduzido pelo Centro de Soluções para Superbactérias do Instituto de Biociências Moleculares, surge num momento em que a resistência antimicrobiana é considerada uma das maiores ameaças à saúde global.
O trabalho, liderado por Abdulmujeeb Onawole e Johannes Zuegg, centra-se num dos principais problemas da aplicação de IA na química medicinal: a falta de transparência nos seus modelos. Frequentemente descrito como o problema da “caixa negra”, este fenómeno ocorre quando os sistemas produzem resultados sem conseguirem explicar de forma clara o raciocínio por detrás das suas conclusões.
“Embora a IA esteja a revolucionar o desenvolvimento de medicamentos, os cientistas têm dificuldade em confiar nas suas recomendações precisamente porque não conseguem compreender como chega às suas respostas”, explicou Onawole, em comunicado. “Essa falta de transparência pode ser perigosa, levando a decisões erradas e ao desperdício de recursos laboratoriais.”
A resistência antimicrobiana — que inclui a resistência a antibióticos — limita cada vez mais as opções terapêuticas disponíveis, sobretudo no combate a bactérias multirresistentes, frequentemente designadas como “superbactérias”. Entre elas destaca-se o Staphylococcus aureus, alvo do estudo conduzido pela equipa australiana.
No âmbito da investigação, foram desenvolvidos três modelos de IA com base em conjuntos de dados de compostos químicos previamente testados contra esta bactéria. A nova ferramenta permitiu avaliar não só a capacidade dos modelos para identificar estruturas químicas eficazes, mas também a sua aptidão para interpretar os chamados “activity cliffs” — situações em que pequenas alterações moleculares provocam grandes diferenças na eficácia de um composto.
Os resultados mostram que, embora os três modelos sejam eficazes a reconhecer estruturas antibióticas conhecidas, apresentam diferenças significativas na forma como explicam o que torna uma molécula ativa ou inativa. Essa capacidade de explicação é considerada crítica para os químicos medicinais, que dependem de interpretações robustas para orientar a investigação laboratorial.
“Demonstrámos que o nosso enquadramento consegue avaliar se os sistemas de IA fornecem explicações químicas fiáveis”, afirmou Johannes Zuegg. “Este é um passo importante para integrar a inteligência artificial de forma mais segura e rápida na investigação de antibióticos.”
A longo prazo, os investigadores acreditam que esta abordagem poderá contribuir para acelerar significativamente a descoberta de novos fármacos, numa corrida contra o tempo para travar a propagação de bactérias resistentes.
O estudo, intitulado “A framework for evaluating explainable AI in antibiotic discovery”, foi desenvolvido no âmbito das atividades do Centro de Soluções para Superbactérias da Universidade de Queensland.