A resistência antimicrobiana é uma ameaça crescente para a saúde global. O problema envolve microrganismos como bactérias, fungos, parasitas e vírus, e a fonte afirma que cerca de cinco milhões de mortes em 2021 estiveram relacionadas à resistência antimicrobiana bacteriana. A projeção apresentada no texto é de que esse número aproximadamente dobre até 2050. Nesse cenário, pesquisadores procuram maneiras de acelerar a fase inicial da descoberta de novos medicamentos.
É nesse ponto que entra o trabalho de César de la Fuente e de seu laboratório. O grupo investiga os genomas de organismos vivos e extintos em busca de moléculas que possam ajudar a combater infecções resistentes a medicamentos. A proposta não se limita a procurar substâncias já conhecidas ou a modificar remédios existentes. O laboratório parte de uma fonte muito mais ampla: os próprios códigos biológicos presentes no DNA e nas proteínas.
O código da vida como fonte de candidatos
De la Fuente descreve a biologia como um sistema de informação. Os nucleotídeos que formam o DNA e os aminoácidos presentes em proteínas e peptídeos funcionam, segundo ele, como um tipo de alfabeto. Ao tratar essas sequências como informação, os pesquisadores podem procurar padrões associados a moléculas funcionais ou biologicamente ativas.
Os modelos de deep learning do laboratório são treinados para reconhecer padrões em sequências biológicas. Com eles, a equipe pesquisa grandes conjuntos de dados de genomas e proteínas para encontrar possíveis candidatos a antimicrobianos. De acordo com a fonte, essa abordagem pode reduzir a busca inicial por moléculas candidatas de anos para horas.
A quantidade de dados disponíveis ajuda, mas também cria um problema. Apenas uma parte dos genomas tem função claramente compreendida, e uma parcela ainda menor codifica moléculas capazes de combater microrganismos infecciosos. O trabalho consiste em identificar quais padrões podem indicar uma função relevante e, depois, verificar se os candidatos realmente têm potencial antimicrobiano.
Há muito tempo, cientistas procuram substâncias desse tipo em plantas, animais, microrganismos, insetos, água e solo. O processo tradicional envolve coletar amostras, isolar ou prever moléculas candidatas e testá-las em várias etapas. Os bancos digitais de genomas e proteínas ampliaram o número de possibilidades que podem ser investigadas, mas também transformaram a busca em um problema de seleção entre uma quantidade enorme de sinais.
Onde entram ChatGPT e Codex
Além dos próprios modelos de inteligência artificial, o laboratório usa ChatGPT e Codex em tarefas de apoio à pesquisa. As ferramentas ajudam a formular hipóteses, escrever e refinar código, processar conjuntos de dados, analisar resultados e relacionar ideias de áreas científicas diferentes.
Essa colaboração é especialmente útil porque o grupo reúne pessoas de biologia, química, ciência da computação e engenharia. Alguns integrantes programam bem, mas têm menos experiência em biologia ou química. Outros dominam essas áreas, mas não têm a mesma familiaridade com programação. Segundo de la Fuente, Codex e ChatGPT ajudam a reduzir essa distância: biólogos podem construir programas, enquanto programadores conseguem trabalhar em problemas biológicos com mais apoio.
O uso das ferramentas também aparece em tarefas menos visíveis, mas importantes para o fluxo de trabalho. Integrantes do laboratório recorrem à inteligência artificial para revisar assuntos que ainda não dominam, esclarecer termos, comparar métodos, organizar ideias e baixar, organizar e pré-processar grandes conjuntos de dados de genomas. A fonte afirma ainda que o ChatGPT permite que membros trabalhem em seus idiomas nativos, reduzindo barreiras durante essas atividades.
De la Fuente usa o ChatGPT como parceiro de brainstorming. Ele continua desenvolvendo ideias com os colegas, mas considera útil ter uma ferramenta que ajude a dar forma a uma hipótese. O espaço de trabalho do laboratório recebe ideias boas e ruins de diferentes pessoas e funciona como uma espécie de quadro de discussão colaborativo. A utilidade, nesse caso, está em ampliar a exploração de possibilidades antes que a equipe avance para a validação científica.
O que a inteligência artificial ainda não resolve
Encontrar uma molécula promissora em uma sequência biológica não significa que ela se tornará um medicamento eficaz. Primeiro, os cientistas precisam confirmar se o candidato mata o microrganismo-alvo, qual quantidade é necessária para produzir efeito e como ele afeta células humanas. Depois, químicos podem tentar melhorar sua eficácia, segurança ou estabilidade.
Outros testes avaliam a dose em que a molécula se torna tóxica, a facilidade com que os microrganismos desenvolvem resistência e a forma como o candidato se move pelo corpo. A equipe também precisa definir uma maneira confiável de fabricar a molécula. Mesmo os candidatos que passam por essas etapas ainda enfrentam análise regulatória e testes clínicos antes de chegar aos pacientes como medicamentos antimicrobianos aprovados.
Por isso, o laboratório combina inteligência artificial com biologia experimental. De la Fuente afirma que os experimentos de referência são indispensáveis para validar previsões feitas por modelos de IA. Ele também alerta que os resultados precisam ser conferidos, porque o ChatGPT não deve ser usado sem verificação de precisão.
O caso mostra uma aplicação prática da IA em uma etapa específica da ciência: encontrar e priorizar possibilidades em grandes volumes de informação. ChatGPT e Codex podem ajudar pesquisadores a programar, organizar dados e circular entre disciplinas, mas não substituem os experimentos que determinam se uma previsão tem valor biológico. Para o leitor de tecnologia, a lição é direta: a IA pode encurtar a busca inicial, enquanto a confirmação depende do laboratório.
Fonte: https://openai.com/index/using-codex-chatgpt-to-search-for-new-antimicrobials
