Microbes resistentes a drogas, incluindo bactérias, fungos, parasitas e vírus, são uma ameaça global crescente. Cerca de cinco milhões de mortes em 2021 foram associadas à resistência antimicrobiana bacteriana—um ônus anual projetado para dobrar até 2050. Pode levar anos para encontrar moléculas com potencial antimicrobiano.

Pesquisadores estão usando IA para acelerar esta fase inicial de descoberta. César de la Fuente, bioengenheiro cujo laboratório interdisciplinar busca candidatos antimicrobianos, disse que a resistência antimicrobiana é uma das maiores ameaças existenciais à humanidade. Seu laboratório usa modelos de deep learning treinados para reconhecer padrões em sequências biológicas para buscar em vastos conjuntos de dados genômicos e proteicos antimicrobianos potenciais, reduzindo a busca inicial de anos a horas.

Junto com seus próprios modelos de IA, o laboratório usa Chat GPT e Codex para brainstorming de hipóteses, escrever e refinar código, processar conjuntos de dados, analisar resultados e conectar ideias entre disciplinas científicas. A abordagem foca na biologia como sistema de informação, onde nucleotídeos e aminoácidos formam um alfabeto para decifrar princípios organizadores da vida. Apenas uma fração do genoma tem função claramente compreendida, e ainda menos codificam moléculas que podem combater micróbios infecciosos.

IA ajuda a identificar sinais promissores entre enormes conjuntos de dados, priorizando candidatos para testes experimentais. No entanto, identificar um candidato não garante que se tornará um medicamento eficaz. Cientistas devem confirmar que a molécula mata o micróbio alvo, determinar dose eficaz, testar efeitos em células humanas, otimizar segurança e estabilidade, avaliar toxicidade e desenvolvimento de resistência, e garantir fabricabilidade.

Candidatos que superam esses obstáculos ainda enfrentam revisão regulatória e ensaios clínicos antes de chegar aos pacientes. Para de la Fuente, IA e biologia de laboratório devem avançar juntas, pois experimentos de referência são essenciais para validar previsões de IA nas ciências da vida.