Um novo sistema criptográfico poderia permitir trabalho colaborativo entre empresas farmacêuticas e laboratórios acadêmicos para desenvolver medicamentos mais rápido – sem relevar informações confidenciais aos seus competidores.
O coração do sistema é um software de inteligência artificial (IA) conhecido por rede neural. O programa estuda informações sobre como drogas interagem com várias proteínas do corpo humano e, a partir dessas informações, consegue fazer predições de novas interações droga-proteína.
Mais dados de treinamento aprimoram a inteligência artificial, o que era um desafio no passado porque os desenvolvedores de drogas geralmente não compartilham dados devido a preocupações com a propriedade intelectual. O novo sistema permite que uma IA faça crowdsourcing de dados, mantendo a informação privada, o que poderia encorajar parcerias para o desenvolvimento mais rápido de medicamentos, relatam pesquisadores para a Science.
Identificar novas interações entre drogas e proteínas pode revelar novos tratamentos para diversas doenças. Ou ainda revelar se determinadas drogas interagem com alvos proteicos indesejados, melhorando a predição de efeitos colaterais específicos, diz Ivet Bahar, biólogo computacional da Universidade de Pittsburgh (não envolvido no estudo).
No novo sistema de treinamento IA, os dados obtidos de grupos de pesquisa são divididos para múltiplos servidores, e o dono de cada servidor vê o que parece ser apenas números aleatórios. “É aí que a mágica criptográfica acontece”, diz o cientista computacional David Wu, da Universidade de Virginia, Charlottesville. Embora nenhum participante individual possa ver as milhões de interações droga-proteína que compõem o conjunto de treinamento, os servidores podem coletivamente usar essa informação para ensinar uma rede neural a prever a interatividade de combinações droga-proteína mesmo sem ter tido acesso prévio a essa informação.
“Esse projeto é visionário,” diz Jian Peng, cientista computacional da Universidade de Illinois. “Eu acredito que irá estabelecer as bases para o futuro das colaborações na biomedicina”.
A biolóloga computacional da MIT Bonnie Berger e seus colegas Brian Hie e Hyunghoon Cho avaliaram a precisão do sistema treinando uma rede neural em cerca de 1.4 milhões de pares de droga-proteína. Metade desses pares foram obtidos da base de dados da plataforma STITCH (Search Tool for Interactions of Chemicals), com interações droga-proteína conhecidas; a outra metade foi composta de pares que não interagem. Quando era apresentado ao sistema novos pares droga-proteína que sabidamente interagiam ou não, a IA escolhia quais conjuntos interagiam com 95% de precisão.
Para testar se o sistema poderia identificar interações droga-proteína até então desconhecidas, a equipe de Berger treinou a rede neural em quase dois milhões de pares droga-proteína: todo o conjunto de dados STITCH de interações conhecidas, mais o mesmo número de pares não interativos. A IA totalmente treinada sugeriu várias interações que nunca haviam sido relatadas ou que haviam sido relatadas, mas não estavam no banco de dados do STITCH.
Por exemplo, a IA identificou uma interação entre as proteínas receptoras de estrogênio e uma droga desenvolvida para tratar o câncer de mama chamado droloxifeno. A rede neural também encontrou uma interação inédita entre o medicamento para leucemia imatinib e a proteína ErbB4, que se acredita estar envolvida em diferentes tipos de câncer. Os pesquisadores confirmaram essa interação com experimentos de laboratório.
Essa rede computacional segura pode encorajar o aumento de colaborações em outras áreas que não o desenvolvimento farmacêutico. Hospitais poderiam compartilhar prontuários confidenciais para treinar programas IA para predizer prognósticos ou aconselhar estratétias de tratamentos, dia Peng.
“Sempre que você quiser fazer um estudo sobre um grande número de pessoas sobre comportamento, genômica, registros médicos, registros legais, registros financeiros – qualquer coisa que seja sensível à privacidade, esses tipos de técnicas podem ser muito úteis”, diz Wu. [ScienceNews]
