MRSA está Cada Vez Mais Comum em Ambientes de Saúde – Será que a IA Acabou de Fornecer uma Ferramenta para Combater?

A Primeira Revolução Médica

Até a invenção da penicilina, o primeiro antibiótico, uma simples infecção pulmonar ou até mesmo um pequeno corte, podiam ser mortais. Isso era simplesmente um fato da vida com o qual as pessoas viviam (e morriam).

Por muito tempo, novas classes de antibióticos foram descobertas regularmente, garantindo que a ameaça de infecção bacteriana fosse mantida sob controle. Recentemente, o surgimento de bactérias resistentes a antibióticos colocou em questão se isso poderá permanecer verdadeiro por muito mais tempo.

A resistência antimicrobiana (RAM) causou 1,27 milhão de mortes diretamente em 2019, com 1 em cada 5 vítimas sendo uma criança com menos de 5 anos. E 4,95 milhões de pessoas que morreram em 2019 sofreram de infecções resistentes a medicamentos, como infecções respiratórias inferiores, de corrente sanguínea e intra-abdominais.

Isso é especialmente problemático em hospitais, onde o maior uso de antibióticos e sistemas imunológicos mais fracos tornam a resistência a antibióticos uma causa importante de infecções e mortes.

Na corrida armamentista entre novos antibióticos e resistência a antibióticos, as bactérias estão vencendo. A mais recente descoberta de uma nova classe de antibiótico que chegou ao mercado foi em 1987. No geral, a abordagem tradicional de triagem cega de dezenas de milhares de produtos químicos em busca de potencial antibiótico não funciona mais.

Fonte: ReAct Group

MRSA – O Imminente Desastre na Saúde

Staphylococcus aureus é uma bactéria que vive na pele. Staphylococcus aureus resistente à meticilina (MRSA) são bactérias resistentes a antibióticos comuns como a meticilina, que frequentemente também são resistentes a outros tratamentos/antibióticos.

A maioria das infecções por MRSA ocorre em hospitais ou ambientes de saúde, por exemplo, centros de diálise ou casas de repouso. Também pode se espalhar por contato pele a pele.

Devido à sua presença na pele, Staphylococcus aureus é um candidato provável a causar infecções após cirurgias ou feridas abertas.

Infecções por MRSA matam mais de 10.000 pessoas por ano, apenas nos EUA, com mais de 80.000 infecções. Cepas de MRSA também começaram a se tornar resistentes à vancomicina, um dos últimos antibióticos eficazes contra ela.

Isso amplia o espectro de MRSA onipotente e o retorno à era pré-antibióticos de infecções bacterianas mortais comuns.

IA ao Resgate

Se a triagem cega de milhares de candidatos a novos antibióticos não funciona mais, que tal triá-los milhões de candidatos de forma inteligente? Essa é a tarefa que pesquisadores do MIT liderados por James Collins estão trabalhando.

Os pesquisadores do MIT usam um modelo de IA de aprendizado profundo para prever quais moléculas químicas poderiam ter atividade antibacteriana.

Primeiro, eles ensinaram ao modelo de IA quais padrões químicos são conhecidos por ter atividade antibacteriana. Em seguida, a IA pode analisar milhões de moléculas potenciais em busca de potencial semelhante.

Para isso, o pesquisador primeiro testou a atividade antibiótica de 39.000 moléculas contra MRSA e mostrou o resultado à IA, que o usou para aprender o que funciona.

Eles então desenvolveram um método chamado ‘Monte Carlo tree search’ para tornar os resultados da IA mais compreensíveis para os pesquisadores, mostrando qual subseção da potencial nova molécula antibiótica deve ser responsável pelo resultado médico.

Trabalho em Equipe da IA

Não basta encontrar o que pode matar as bactérias nocivas. Também é importante verificar se os compostos químicos são seguros para os pacientes.

Seguindo o mesmo princípio da descoberta de antibióticos, os pesquisadores também treinaram 3 diferentes modelos de aprendizado profundo para prever toxicidade em 3 tipos de células humanas.

Os resultados das descobertas seriam então combinados com os da IA focada em MRSA para encontrar compostos que sejam bons candidatos tanto para atividade antibiótica quanto para perfil de segurança.

Isso ilustra bem como a descoberta de medicamentos impulsionada por IA depende não apenas de humanos guiando a IA, mas cada vez mais da IA “conversando” entre si e colaborando.

Resultados Impressionantes

Os pesquisadores do MIT analisaram não menos que 12 milhões de compostos químicos. Importante, todos esses 12 milhões de compostos estavam disponíveis comercialmente, facilitando sua comercialização como novos antibióticos, já que a cadeia de suprimentos para fabricá-los já está estabelecida.

Com a ajuda da IA, uma lista curta de candidatos, 280 compostos, foi estabelecida. Eles foram testados contra MRSA, e 2 compostos da mesma classe mostraram reduzir o MRSA em um fator de 10. Os antibióticos atuam interrompendo o gradiente eletroquímico da membrana celular das bactérias.

Este é um novo sucesso para a equipe de pesquisa, que anteriormente encontrou 2 novos antibióticos potenciais (mas não úteis contra MRSA), halicin e aubicin.

O que Isso Significa para Futuras Descobertas de Medicamentos

Da Farmacêutica à Biotecnologia e de Volta à Farmacêutica?

A descoberta de medicamentos sempre esteve no cerne dos modelos das empresas farmacêuticas. Isso é uma parte vital do negócio, já que patentes expiram e novos medicamentos exclusivos são necessários para manter o fluxo de dinheiro e financiar mais P&D e progresso médico.

Infelizmente, a abordagem de triagem do mundo natural e de moléculas artificiais em busca de novos compostos ativos estagnou um pouco.

Isso tem sido a força motriz para o surgimento de empresas de biotecnologia, que utilizam moléculas biológicas como anticorpos em vez de produtos químicos. E por que as empresas farmacêuticas “à moda antiga” foram forçadas a adquirir startups de biotecnologia, transformando muitas delas em mais “máquinas de marketing” ao invés dos negócios impulsionados por P&D que eram.

Se a descoberta de medicamentos químicos se tornar mais bem-sucedida, poderemos ver mais empresas farmacêuticas voltarem a gastar mais em P&D e menos em aquisições de biotecnologia.

Isso poderia ter consequências de longo alcance para a indústria, incluindo:

• Um retorno ao crescimento para empresas farmacêuticas inovadoras.
• O potencial de ofertas mais baixas por startups de biotecnologia.
• O potencial de descobrir novos medicamentos químicos “blockbuster” para doenças mal tratadas.

A Fusão de Tecnologia e Farmacêutica

Outro impacto da descoberta de medicamentos impulsionada por IA bem-sucedida é que o processo está se tornando menos relacionado à medicina e química e mais sobre dados e redes neurais.

Isso abre o campo para relações mais profundas entre empresas de tecnologia e farmacêuticas. Potencialmente, a IA de descoberta de medicamentos poderia se tornar tão transformadora para a indústria quanto o surgimento da biotecnologia na década de 1980.

Também poderíamos ver o surgimento de novas joint ventures entre farmacêuticas e gigantes de IA. Por exemplo, uma empresa de descoberta de medicamentos co-propriedade de gigantes como Pfizer (PFE ) ou Novartis do lado farmacêutico e Google ou Microsoft (MSFT ) do lado de IA.

Se a descoberta de medicamentos por IA acabar se tornando um dos principais centros de lucro da IA, também poderíamos ver empresas de tecnologia adquirindo farmacêuticas.

O Poder dos Dados

As IAs são construídas graças a vastos tesouros de dados. A pesquisa do MIT não foi exceção e baseou-se principalmente no banco de dados Mcule. O campo de provedores de dados digitais para descoberta de medicamentos ainda está em estágio inicial e é dominado por organizações sem fins lucrativos e startups privadas.

A longo prazo, provavelmente veremos uma consolidação da indústria e talvez o surgimento de alguns provedores‑chave que também abrirão capital (IPO).

Prevendo Toxicidade “In-silico”

Um último efeito da descoberta do MIT é repensar como prever a toxicidade química e o sucesso de ensaios clínicos.

Até recentemente, a experiência humana & intuição e os modelos animais & in vitro eram os métodos padrão para avaliar os riscos associados a uma nova molécula.

O aprendizado profundo de IA pode ajudar não apenas a encontrar a nova classe de antibióticos, mas também a prever quais candidatos provavelmente não são tóxicos. Isso abre a possibilidade de usar IA para reduzir o número de medicamentos que falham na fase I dos ensaios clínicos, que é projetada para testar a toxicidade em humanos.

Cerca de 35% dos compostos candidatos falham na fase I dos ensaios clínicos. Reduzir esse número aceleraria o desenvolvimento de medicamentos e reduziria os custos médios de P&D.

Fonte: Duxin Sun et al

As 3 Principais Empresas que se Beneficiam da Descoberta de Medicamentos por IA

Esta descoberta do MIT foi financiada por fundações, organizações sem fins lucrativos e financiamento público. No entanto, os investidores podem obter exposição à descoberta de medicamentos impulsionada por IA através de várias ações negociadas publicamente.

Em geral, as empresas de sistemas digitais e de IA para descoberta de medicamentos podem ser organizadas em duas escalas:

1. Computacional versus integração de dados úmidos (biológicos).
2. Estágio de desenvolvimento, parcerias e recursos computacionais/de dados.

Fonte: Recursion

(Empresas nesta lista vão usar ferramentas de IA, como, por exemplo, hardware da NVIDIA (NVDA ). No entanto, estamos focando aqui apenas em empresas de descoberta de medicamentos e não em IA em geral).

1. Schrödinger, Inc.

SDGR Gráfico de preços

A empresa se especializa em modelos baseados em física para encontrar a melhor molécula possível para um objetivo dado, equilibrando métricas conflitantes como potência, solubilidade, meia‑vida, sintetizabilidade, etc.

Também utiliza aprendizado de máquina, mas a adição de um modelo baseado em física permite que seja testado em campos totalmente novos para os quais não existe conjunto de dados para “treinar” a IA. Isso permite que a Schrödinger (SDGR ) passe de 1 bilhão de moléculas potenciais para apenas 8 candidatos sólidos em questão de dias, exclusivamente por cálculo digital.

Fonte: Schrodinger

Schrödinger assinou com a Bayer um acordo de colaboração de 5 anos em 2020 com receita de US$10 milhões. A ideia do acordo é usar a tecnologia da Schrödinger junto com a Bayer em modelos de predição in‑silico.

Outra parceria recente é com a Lilly em 2022, com até US$425 milhões em pagamentos de marcos totais por descobertas bem‑sucedidas.

Colaborações passadas incluíram Takeda, Sanofi (SNW.DE ) (SNY ) Bristol Myers Squibb e outras empresas farmacêuticas menores.

No geral, a Schrödinger está construindo um portfólio crescente, incluindo cada vez mais moléculas proprietárias e totalmente próprias. Atualmente tem 8 produtos em seu pipeline proprietário, com 2 em fase I de ensaios clínicos. E 23 produtos em programas e colaborações parceiras, com 5 em fase I e 3 em fase II de ensaios clínicos.

Fonte: Schrodinger

Embora ainda não tenha receita prévia, a empresa ainda não é lucrativa, focando em expansão e gastos em P&D para melhorar sua tecnologia. Não deve ser uma preocupação séria no curto prazo, já que a empresa possui vários anos de caixa equivalente ao seu balanço.

Também está buscando expandir para novos segmentos além da descoberta de medicamentos, como biofármacos complexos ou até materiais como produtos químicos, baterias ou polímeros.

Fonte: Schrodinger

Os investidores vão querer ficar de olho nas novas colaborações, pois elas refletirão os avanços da tecnologia da Schrödinger, conforme avaliado pelos líderes da indústria, bem como o possível sucesso na expansão da tecnologia central para novos mercados.

2. Exscientia

A empresa está usando IA para desenvolver terapias de precisão.

Ela opera uma tecnologia de descoberta de medicamentos por IA de “pilha completa” com software dedicado em cada etapa do processo de descoberta de medicamentos.

Fonte: Exscientia

Em vez de analisar moléculas existentes, a Precision Design AI da Exscientia projeta moléculas personalizadas para corresponder ao alvo encontrado por sua Precision Target AI.

A tecnologia da Exscientia reduz 70% do tempo necessário para passar de um alvo biológico à descoberta de um medicamento correspondente e um processo 80% mais eficiente em capital.

Isso resultou em 4 compostos em estágios clínicos iniciais, focando principalmente em oncologia (câncer) e doenças inflamatórias. A empresa demonstra potencial de US$4 bilhões em marcos pré‑comerciais.

Fonte: Exscientia

A empresa está apenas começando a registrar receitas, mas tem uma longa reserva de caixa equivalente a vários anos de despesas em seu balanço.

Ao estar na interseção entre descoberta de medicamentos por IA e terapia de precisão, a Exscientia visa dois dos campos mais transformadores da ciência médica. A julgar pela parceria estabelecida com Merck, Sanofi e BMI, outras empresas farmacêuticas consolidadas também consideram que a plataforma tem grande potencial.

3. Recursion Pharmaceuticals, Inc

RXRX Gráfico de preços

Quanto mais IAs se envolvem na descoberta e desenvolvimento de medicamentos, mais os dados se tornam preciosos para treinar as IAs.

A biologia é um campo extremamente complexo, com dados integrados e verificados às vezes escassos. Isso é um problema sério quando qualquer erro cria viés, limitações e erros na IA, que então pode precisar ser re‑treinada do zero.

Outra questão é a enorme quantidade de dados necessária, muito além da capacidade humana de gerar e organizar manualmente.

É para responder a essas limitações que a Recursion construiu sua plataforma, com a missão de “transformar a descoberta de medicamentos em um problema de busca”. Ela combina laboratório seco (in silico) e laboratório úmido (amostras biológicas) com:

• Uma biblioteca de 1,7 milhão de pequenas moléculas.
• Culturas celulares, edição gênica CRISPR, fatores solúveis, vírus vivos, etc.
• Um fluxo de trabalho robótico de laboratório automatizado que permite até 2,2 milhões de experimentos por semana.
• Microscópios de alta capacidade e sistemas de sequenciamento.
• Fluxos de vídeo contínuos de câmeras, registrando medições holísticas de comportamentos animais.
• Recursos computacionais avançados, que geraram >21 petabytes de dados proprietários de alta dimensão.
• Dados ADMET (absorção, distribuição, metabolismo, excreção e toxicologia).

Isso cria conjuntos de dados únicos (e massivos) de proteômica (níveis de proteína), transcriptômica (níveis de mRNA), fenômica (morfologia celular), ADMET e “in‑vivonomics” (comportamentos animais). A empresa também pretende adicionar metabolômica e genômica aos seus conjuntos de dados no futuro.

Essa riqueza de dados permite uma gama mais ampla de candidatos em estágio inicial, mas um funil mais estreito avançando. Também deve acelerar o desenvolvimento de candidatos a medicamentos de alto potencial.

Fonte: Recursion

O potencial dessa abordagem não passa despercebido pelos gigantes farmacêuticos, com colaborações avançadas em Fibrose (Bayer) e Neurociência (Roche‑Genentech).

A empresa também recebeu um investimento de US$50 milhões da NVIDIA em julho de 2023, o novo gigante de hardware de computação de IA. Isso ocorreu logo após a Recursion adquirir em maio de 2023 as startups pré‑clínicas focadas em química de medicamentos, Cyclica e Valance, por um total de US$87,5 milhões.

No total, a empresa está mirando US$13 bilhões em potenciais marcos em mais de 50 programas possíveis, além de royalties.

As parcerias com empresas de tecnologia (NVIDIA) e farmacêuticas (Bayer, Roche), bem como as aquisições de startups menores de IA‑farmacêutica, podem indicar que a Recursion está se tornando uma pedra angular da indústria e um potencial adquirente em série, com o objetivo de se tornar uma das primeiras empresas a escalar dados biológicos para um volume anteriormente inigualável.