Dentro brevemente
- Os pesquisadores desenvolveram um modelo híbrido quântico-clássico para projetar duas pequenas moléculas que têm como alvo a proteína KRAS, um ator chave na biologia do câncer.
- A pesquisa combinou circuitos quânticos e aprendizado de máquina clássico para testar milhões de compostos, produzindo dois candidatos promissores a medicamentos que foram validados por meio de testes de laboratório.
- Embora os primeiros resultados mostrem potencial, este método ainda é limitado pela tecnologia quântica atual e precisa de mais desenvolvimento antes de aplicações clínicas.
Uma equipe internacional de pesquisadores revelou um modelo híbrido quântico-clássico que projetou com sucesso duas pequenas moléculas promissoras para atingir uma proteína envolvida no câncer, marcando um passo importante no uso da computação quântica para a descoberta de medicamentos.
O estudo, publicado na Nature, mostrou como a combinação de ferramentas computacionais quânticas e clássicas pode melhorar o design de potenciais medicamentos para KRAS, uma proteína que há muito é considerada difícil de atingir devido à sua complexidade estrutural. Os cientistas há muito se interessam em atingir o KRAS porque é uma proteína implicada em vários tipos de câncer, incluindo câncer de pulmão, colorretal e pâncreas. Isso o torna um alvo importante para o desenvolvimento terapêutico.
A complexidade da estrutura e do papel na sinalização celular, no entanto, tem historicamente tornado a prevenção eficaz um desafio.
Neste estudo, os pesquisadores sintetizaram 15 moléculas, duas das quais se mostraram promissoras como inibidores do KRAS nos testes iniciais, abrindo caminho para um maior desenvolvimento.
A descoberta de medicamentos é um processo demorado e caro, muitas vezes demorando dez anos e exigindo bilhões de dólares em investimentos. Os modelos generativos, que utilizam a aprendizagem automática para prever a estrutura de novas moléculas com propriedades desejáveis, surgiram como uma forma de navegar no vasto panorama químico de potenciais candidatos a medicamentos. A integração da computação quântica neste processo fornece uma nova maneira de abordar as limitações dos métodos clássicos, especialmente ao projetar moléculas para alvos desafiadores como o KRAS.
“Este trabalho demonstra a capacidade da computação quântica de produzir resultados garantidos que se comparam favoravelmente aos modelos clássicos”, escreveu a equipe.
As técnicas de computação quântica estão aproveitando princípios como alta dimensionalidade e emaranhamento para explorar espaços de dados de alta dimensão, revelando potencialmente designs moleculares que algoritmos antigos podem ter negligenciado, segundo os pesquisadores. O modelo híbrido do grupo funcionou muito melhor do que os métodos clássicos na geração de populações ativas de medicamentos, o que, pelo menos, sugere que pode haver um benefício sinérgico.
Eles escrevem: “Embora os algoritmos clássicos tenham feito avanços significativos na descoberta de medicamentos, os métodos híbridos clássico-quânticos oferecem vantagens distintas devido à capacidade das máquinas Born de circuito quântico (QCBMs) de amplificar efeitos quânticos, como superposição e emaranhamento. A introdução dos QCBMs reflete esse progresso, proporcionando um modelo produtivo que pode superar os antigos em determinados aspectos. QCBMs são modelos generativos quânticos que usam circuitos quânticos para aprender distribuições de probabilidade complexas, permitindo-lhes gerar novas amostras que correspondam à data de treinamento.”
Como fazer
Os pesquisadores usaram um processo de três etapas para projetar e testar os inibidores do KRAS.
A equipe primeiro reuniu um conjunto de dados de 1,1 milhão de moléculas, começando com 650 inibidores KRAS conhecidos na literatura. Eles expandiram esse conjunto selecionando 100 milhões de compostos de uma biblioteca comercial e usando um algoritmo para gerar análogos de inibidores conhecidos. As células foram filtradas para que possam misturar e combinar drogas.
Em segundo lugar, o grupo concentrou-se na estrutura molecular. O modelo híbrido combinou um modelo generativo baseado em circuito quântico com uma rede clássica de aprendizado de máquina. O processador quântico de 16 qubits gerou uma “distribuição prévia” de moléculas, que a rede primitiva refinou em candidatos viáveis. Uma função de recompensa, projetada para priorizar as propriedades de ligação do KRAS, direciona o processo de treinamento iterativo.
A última etapa foi a validação do teste. Os pesquisadores combinaram 15 moléculas de resultados de computador e as testaram usando técnicas de laboratório. Dois compostos, ISM061-018-2 e ISM061-022, mostraram forte ligação ao KRAS e inibiram a sua atividade em ensaios baseados em células sem toxicidade significativa.
Resultados promissores
A molécula ISM061-018-2 mostrou ampla atividade em múltiplas mutações KRAS, incluindo a variante G12D que é frequentemente associada ao câncer. Mostrou alta afinidade de ligação (1,4 μM) e inibição seletiva da interação KRAS em ensaios baseados em células. Além disso, observe: o ISM061-022 mostrou um modo de ação diferente, mostrando seletividade aprimorada para outras variantes do KRAS, como G12R e Q61H, embora seus efeitos tenham sido menos pronunciados para a variante G12D.
Ambas as moléculas evitaram consequências indesejadas nos testes iniciais, reforçando o seu potencial como ponto de partida para um maior desenvolvimento.
Os primeiros dias
A equipe não chega a dizer que este estudo prova um “benefício quântico” – alcançando resultados que não podem ser alcançados com métodos clássicos. O sucesso do modelo depende da abordagem híbrida, o que sugere que a computação quântica por si só não é suficiente para tarefas de descoberta de medicamentos. A atual dependência de processadores quânticos de pequena escala também limita o escopo dos experimentos moleculares.
Os compostos que foram projetados neste estudo ainda são estudantes em crescimento. A equipe observa que ainda há trabalho a ser feito para melhorar seus perfis de eficácia e segurança antes que os ensaios clínicos possam começar. Métodos experimentais como a cristalografia de proteínas são necessários para confirmar mecanismos de ligação específicos.
Trabalho futuro: Qubit Boost, algoritmos baseados em transformadores
Os pesquisadores planejam melhorar seu modelo aumentando o número de qubits na parte quântica e testando algoritmos de produção baseados no transformador para melhorar a diversidade e qualidade molecular. A ampliação desses métodos poderia reduzir ainda mais o tempo necessário para a descoberta de medicamentos, comprimindo potencialmente anos de operação em meses.
Ao mostrar como a computação quântica pode complementar os métodos clássicos, esta pesquisa estabelece as bases para um fluxo de trabalho de descoberta de medicamentos mais eficiente. Embora a tecnologia ainda esteja em desenvolvimento, a sua capacidade de lidar com conjuntos de dados complexos e gerar novas soluções pressagia um futuro dinâmico para a investigação farmacêutica.
Consulte o artigo para uma visão mais técnica e aprofundada da pesquisa.
Esta equipe reuniu vários cientistas de todo o mundo para conduzir pesquisas. Pesquisadores da Universidade de Toronto incluem Mohammad Ghazi Vakili, Alán Aspuru-Guzik, Jamie Snider, Anna Lyakisheva, Ardalan Hosseini Mansob, Zhong Yao, Lela Bitar, Danielle Tahoulas, Igor Stagljar e Dora Čerina. De São Jude Children's Research Hospital, listado por Christoph Gorgulla. A Universidade de Harvard é representada por Christoph Gorgulla, Krishna M. Padmanabha Das e Huel Cox III. A Universidade de Stanford apresenta AkshatKumar Nigam. Os pesquisadores da Insilico Medicine AI Limited são Dmitry Bezrukov, Alex Aliper, Eugene Radchenko, Xiao Ding, Jinxin Liu, Fanye Meng, Feng Ren e Alex Zhavoronkov. A Zapata AI é representada por Daniel Varoli, enquanto a Insilico Medicine Canada, Inc. apresenta Daniil Polykovsky. Do Dana-Farber Cancer Institute, Krishna M. Padmanabha Das está listado. A Universidade de Zagreb é representada por Lela Bitar, enquanto a Universidade de Split é representada por Dora Čerina e Igor Stagljar. AQI, Inc. inclui Yudong Cao, e o Instituto Mediterrâneo de Ciências da Vida (MedILS) é representado por Igor Stagljar.
