Com o desalento proporcionado pela falta de substâncias químicas apropriadamente qualificadas na gênese planejada de fármacos obtidas por docagem molecular, o NEQUIMED/IQSC/USP implementa uma antiga vocação iniciada por um de seus membros (A neural network analysis for antileishmaniasis compounds, 10.1002/qsar.19970160607). Uma nova estratégia que pode ajudar no processo de descoberta de novos candidatos a fármacos: Aprendizado de Máquinas em sistemas que imitam o cérebro humano e permitem o acesso a enormes quantidades de dados.
Trata-se de uma estratégia computacional inovadora que de maneira rápida e eficiente “ensina” os computadores a encontrar novas substâncias químicas bioativas bem-sucedidas de maneira a suplantar os atuais métodos baseados em computador.
A aprendizagem de máquina engloba muitos tipos de algoritmos – incluindo árvores de decisão, vizinhos mais próximos (mas veja principalmente k-medóides) e redes neurais que “aprendem” a partir de conjuntos de dados de treinamento e, em seguida, fazem predições do mundo real usando coleções de teste e validação. O aprendizado profundo é um tipo sofisticado de rede neural composta por várias camadas que otimizam as respostas. Essas camadas são compostas de nodos (que imitam os neurônios do cérebro de humanos) e que são disparados na presença de estímulos.
Juntamente com as redes neurais, o NEQUIMED/IQSC/USP também emprega outras duas técnicas de aprendizado de máquinas, random forests (RF) e support vector machine (SVM).
Em conjunto, o elevado nível de abstração dos dados tem permitido identificar novos inibidores de cisteíno proteases de interesse para diferentes modelos de doenças que usam essas proteínas/enzimas como marcadores.
