Na NILG.AI, o nosso lema é "Libertar capacidades empresariais através da Inteligência em Dados", uma vez que vemos a Inteligência Artificial como uma ferramenta poderosa criada para potenciar ao máximo a atividade humana.

Muitos sectores têm aproveitado a revolução da IA para criar sistemas mais eficientes, capazes de obter resultados mais precisos enquanto poupam tempo e custos operacionais. Esta eficiência é favorável para fins comerciais (onde tempo é dinheiro), mas revela-se ainda mais valiosa quando a humanidade enfrenta emergências (onde tempo são vidas), como a pandemia de COVID-19.

Neste artigo, vamos focar-nos em como a IA tem ajudado a indústria Farmacêutica, desde a pesquisa de fármacos até à adesão do doente à medicação, apresentando e sugerindo casos de uso aplicáveis. No esquema abaixo, pode ver um resumo dos tópicos abordados em cada fase.

Curso, Templates

Data Ignite

Potencial máximo dos seus dados com o nosso curso.

Saiba Mais

Descoberta de Fármacos

Descobrir e desenvolver novos fármacos é um processo que pode levar anos ou décadas de trabalho de pesquisa, com um custo médio de cerca de $1300 milhões. Duas consequências importantes destes custos elevados são a ausência de programas de tratamento farmacológico em países de baixo rendimento e a falta de investimento em tratamentos de doenças raras, como a Esclerose Lateral Amiotrófica (ELA).

No processo de criação de moléculas de fármacos, existe uma análise intensiva das propriedades das moléculas que é frequentemente realizada em laboratório, o que é bastante demorado e dispendioso. Esta análise inclui o estudo da toxicidade, bioatividade, solubilidade, permeabilidade, afinidade com o alvo molecular, entre outros. Quando uma molécula de fármaco falha nesta análise, deve ser substituída e o processo é repetido.

Uma vez que o conjunto de moléculas candidatas é muito vasto, é impossível testá-las todas. É aqui que entra a IA, identificando compostos principais, prevendo propriedades de moléculas e otimizando os seus desenhos.

Predição de Afinidade

Em Química Orgânica, existe o conceito de que compostos com estrutura 3D similar podem ter perfis de afinidade semelhantes. Com isto em mente, ChemMapper, uma ferramenta para explorar estruturas de moléculas e prever o seu comportamento, foi criada. ChemMapper inclui uma biblioteca com 300 000 estruturas químicas e 3 milhões de compostos químicos com anotações sobre as suas interações. Quando uma nova estrutura é submetida ao servidor web, o algoritmo procura as estruturas mais similares na biblioteca, devolvendo as probabilidades de interação entre a estrutura de consulta e os compostos encontrados.

DeepAffinity é outra ferramenta criada para prever interações entre moléculas. Esta ferramenta utiliza aprendizagem profunda interpretável, usando RNNs e CNNs para prever afinidade de moléculas com base em sequências de proteínas e mecanismos de atenção para interpretabilidade.

Ambas as ferramentas requerem grandes volumes de dados para aumentar o seu desempenho. Contudo, DeepAffinity inclui métodos de aprendizagem semi-supervisionada, aproveitando dados não rotulados disponíveis.

Predição de Toxicidade

Os testes de toxicidade medem a toxicidade numa amostra através da análise dos resultados que a exposição produz em várias doses. Constituem uma das análises mais importantes a realizar durante a descoberta de novos compostos químicos. Normalmente, estes testes são feitos in vitro e in vivo, que são experiências que consomem muito tempo e recursos. Além disso, as experiências in vivo dependem do sacrifício de animais (usualmente mamíferos), levantando muitas questões éticas. Para reduzir a necessidade de testes in vivo, foram desenvolvidos muitos modelos, incluindo algoritmos de IA.

Em 2014, o National Institute of Health (NIH), a Environmental Protection Agency (EPA) e a US Food and Drug Administration (FDA) organizaram o Tox21 Data Challenge para promover a implementação de ferramentas virtuais capazes de prever a toxicidade de uma molécula com base nas suas características físicas (como peso e forças intermoleculares). DeepTox foi o vencedor do desafio, desenvolvendo um pipeline que normaliza as representações químicas dos compostos, extrai os descritores químicos dos compostos e prevê a sua toxicidade usando uma Rede Neural Profunda.

Design de Moléculas

Para garantir uma boa interação composto-proteína, é essencial prever a estrutura da proteína alvo antes de desenhar a molécula do fármaco. Na Química clássica, as formas das proteínas são determinadas em experiências laboratoriais usando técnicas como ressonância magnética nuclear e microscopia crioelectrónica. Novamente, estas experiências levam demasiado tempo e custam centenas de milhares de dólares por estrutura.

Recentemente, os biólogos têm-se voltado para métodos de IA para prever estruturas de proteínas de forma virtual, evitando os custos e os esforços necessários em experiências laboratoriais. AlphaFold é uma das ferramentas que tem estado a fornecer os melhores resultados.

Esta é uma ferramenta de código aberto (disponível aqui) que prevê o modelo 3D de uma proteína com base no seu código genético. O sequenciamento genético, utilizado para determinar o código genético, é um método de custo relativamente baixo. Por isso, existe um grande volume de dados no campo da genómica. Isto significa que AlphaFold aproveitou um método de baixo custo para evitar a utilização de experiências dispendiosas, acelerando e reduzindo os custos do processo de pesquisa.

Do Laboratório à Farmácia

Da produção de fármacos à venda, há muita logística envolvida. Esta é uma questão comum para praticamente todas as indústrias, mas é particularmente relevante para a farmacêutica, uma vez que toda a cadeia de fornecimento deve respeitar condições muito restritas relativamente a temperatura, humidade e luz. Como pode a IA ajudar na logística farmacêutica? Validando conformidade e otimizando o fluxo de trabalho com base em previsões. Aqui estão alguns exemplos de casos de uso neste campo:

Conformidade da Linha de Montagem

Normalmente, nas linhas de produção, o controlo de qualidade é um processo aleatório, ou seja, alguns itens são selecionados e analisados de forma aleatória e o seu nível de qualidade define a qualidade de todo o lote. Contudo, este processo não garante que todos os itens foram embalados em conformidade. Por outro lado, verificar a conformidade de cada item manualmente seria um processo muito exaustivo e demorado, para além de estar sujeito a erros humanos.

Neste caso, a IA pode ser utilizada para promover a escalabilidade das tarefas. Isto pode ser conseguido colocando sensores na linha de montagem para medir características-chave e detetar itens não conformes. Por exemplo, o processo manual de embalagem de kits de medicamentos em caixas pode ser monitorizado por uma câmara para verificar se todos os itens do kit estão presentes e na quantidade correta.

Otimização do Armazém

Com a automatização do inventário do armazém e da procura de produtos, é possível prever quais os produtos que serão armazenados durante mais tempo, quais serão necessários em quantidades maiores, quais os produtos com maior procura e quais os produtos que serão utilizados para integrar a mesma encomenda, e assim sucessivamente.

Após recolher estas informações e/ou fazer previsões, um algoritmo de otimização é capaz de organizar e definir a melhor configuração do armazém para conjugar a acessibilidade dos produtos com a sua procura, aumentando a eficiência do armazém.

Gestão da Cadeia de Fornecimento

Como mencionado acima, o armazenamento e transporte de medicamentos deve ser efetuado sob condições restritas, o que aumenta os custos logísticos. Se o transporte de um medicamento demorar mais tempo que o esperado e as condições necessárias deixarem de ser proporcionadas, a qualidade e usabilidade do produto fica comprometida, levando novamente a mais custos. Por isso, planejar e otimizar esta cadeia é essencial para manter a eficiência.

Neste caso, a IA pode ser útil em três níveis.

1. Prever a procura antecipadamente e agrupar encomendas com base no seu destino. Quando uma nova encomenda chega, o algoritmo de IA prevê a probabilidade de receber uma segunda (ou mais) encomenda para a mesma localização nos dias seguintes. Se for provável que chegue uma segunda encomenda, essas encomendas devem ser agrupadas e enviadas em conjunto.
2. Selecionar o caminho mais curto: Utilizar o algoritmo do Caminho Mais Curto (ou similar) para minimizar os custos de transporte.
3. Prever obstáculos no transporte. Utilizar dados meteorológicos, condições da rota, características do condutor, características dos pacotes de entrega, características do veículo e outras informações relevantes para prever a duração da entrega, considerando a possibilidade de riscos. Com base nessa previsão, é possível tomar medidas preventivas e otimizar a gestão da cadeia de frio.

Da Farmácia ao Doente

Monitorização da Administração de Medicamentos

Quando um doente está sujeito a um tratamento farmacológico controlado, é muito importante administrar as doses corretas no momento certo. Esta precisão na administração de medicamentos é ainda mais essencial quando os doentes participam em ensaios clínicos. Quando os efeitos da não administração não são demasiado arriscados, os médicos confiam na palavra dos doentes. Contudo, quando é crucial respeitar as regras de administração, os doentes são convidados a ir ao hospital para tomar os seus medicamentos.

Para evitar deslocações desnecessárias ao hospital, mantendo o acompanhamento da administração de medicamentos, podemos usar IA para criar caixas inteligentes de medicamentos. Estas caixas incorporariam um alarme, uma câmara e um mecanismo de entrega controlada.

O alarme seria programado para notificar o doente no momento da administração. A câmara (sensores RGB ou outros) incluiria um sistema de reconhecimento facial para identificar o doente e detetar a ação de tomar o medicamento. Finalmente, o controlo de entrega seria responsável por libertar as doses corretas no momento correto, evitando o risco de sobredosagem. A caixa estaria conectada a um servidor hospitalar para fornecer relatórios em tempo real ou guardaria os relatórios para análise pelo médico na próxima consulta.

Para além dos ensaios clínicos, a caixa inteligente ou produtos similares seriam muito úteis para doentes com perda de memória ou distúrbios neurológicos, como a doença de Alzheimer.

Previsão da Dosagem Ideal

Encontrar a dosagem ideal de um medicamento não é uma questão trivial. Cada pessoa tem o seu próprio metabolismo, perfil genético, historial médico e resposta imunológica, reagindo de forma diferente à administração de um medicamento. Por isso, não é possível obter a melhor resposta em todos os doentes usando a mesma dosagem para todos.

Equipas de investigação têm trabalhado neste assunto com o objetivo de encontrar novas estratégias que garantam a eficácia do medicamento enquanto utilizam a dosagem mínima por indivíduo. Isto reduz a dosagem tóxica, evitando efeitos secundários nos doentes.

Investigadores do MIT Media Lab estudaram a otimização de dosagem para o tratamento de glioblastoma, que é um tumor cerebral maligno que requer um tratamento muito agressivo, e propuseram um modelo de otimização baseado em Aprendizagem por Reforço (RL).

Para este problema, um modelo RL foi adaptado para aprender os melhores regimes de administração, considerando a combinação de medicamentos a administrar, as opções de dosagem para cada um e os dados médicos do doente. O algoritmo escolhe uma das seguintes ações: iniciar ou reter uma dose de um dos medicamentos. No caso de iniciar, o algoritmo também decide se a dose completa será administrada ou apenas uma parte. Em cada ação, outro modelo prevê a mudança no tamanho do tumor como consequência da ação. Quando o tamanho diminui, o modelo RL recebe uma recompensa. Para evitar sobredosagem, o modelo sofre uma penalidade sempre que decide administrar todas as doses completas.

Nos ensaios clínicos, este método pareceu eficaz, uma vez que conseguiu redução do tumor usando doses menores que os regimes de administração tradicionais.

Conclusão

Existe uma ampla gama de casos de uso relativos à Inteligência Artificial e à indústria Farmacêutica, posicionando a IA como uma ferramenta imprescindível nos fluxos de trabalho farmacêuticos atuais.

A IA não é apenas útil para reduzir custos, mas também para acelerar pipelines de pesquisa e promover respostas mais rápidas a necessidades em cuidados de saúde.

Note que este é apenas mais um exemplo de indústria onde a IA desempenha um papel crucial. Para discutir o potencial da IA para esta e outras indústrias, contacte-nos.

Pretende aprofundar esta ideia?

Marque uma reunião com Rafael Cavalheiro

Conheça Rafael Saiba Mais