Métodos de data science e data analytics para o desenvolvimento de novos fármacos

Abstract

Este trabalho investiga a aplicação de algoritmos de machine learning no campo do drug-design, com ênfase na descoberta de novas moléculas candidatas a inibidores da enzima acetilcolinesterase (AChE), um alvo terapêutico relevante na doença de Alzheimer. O estudo utiliza canabinoides e minorcannabinoids como moléculas de partida, com o objetivo não apenas de identificar compostos com potencial terapêutico, mas também de aprimorar o processo de virtual screening por meio de técnicas avançadas de data science. Para isso, foi desenvolvido um banco de dados contendo propriedades físicoquímicas dos compostos, que inclui informações sobre ADMET (Absorção, Distribuição, Metabolismo, Excreção e Toxicidade) e dados derivados de estudos de estrutura eletrônica e docking molecular, utilizando os softwares SwisADME e Gaussian, respectivamente. A metodologia adotada envolveu a aplicação de diversos algoritmos modernos de machine learning, como k-means para clusterização, support vector machines (SVM) para classificação, principal component analysis (PCA) para redução de dimensionalidade, além da construção de modelos de redes neurais para a geração de moléculas, usando o banco de dados ZINC20. Também foram empregadas técnicas de visão computacional para analisar as imagens das interações não covalentes (NCI), a fim de identificar padrões nas propriedades das moléculas. Para avaliar as interações entre os compostos e o sítio ativo da AChE, utilizou-se algoritmos de docking, como AutoDock e Vina, facilitando a triagem de compostos promissores. Além disso, a análise conjunta dos dados de ADMET e estrutura eletrônica, utilizando k-means e PCA, possibilitou a identificação dos parâmetros mais relevantes para a atividade biológica dessas moléculas. Os resultados obtidos sugerem que a combinação de machine learning com docking molecular, análise de propriedades físico-químicas e de estrutura eletrônica, pode ser uma ferramenta poderosa no desenvolvimento de novos fármacos para o tratamento da doença de Alzheimer. O estudo também contribui para a evolução do processo de virtual screening, ao fornecer modelos robustos para a análise de dados relevantes para a atividade biológica e a seleção de moléculas candidatas com maior potencial terapêutico.