Principal >> Farmácia Especializada >> Inteligência Artificial e o Futuro da Farmácia Especializada

Inteligência Artificial e o Futuro da Farmácia Especializada

NÓS. Farmacêutica . 2025;50(1):29-32.





RESUMO: A inteligência artificial (IA) é um campo crescente de tecnologia que é utilizado em diversas áreas da saúde. Tecnologia de IA para a área farmacêutica, também conhecida como farmacointeligência , pode ajudar a agilizar processos para farmacêuticos clínicos, incluindo a tomada de decisões clínicas mais precisas e baseadas em evidências por meio da análise de uma grande quantidade de dados de pacientes, registros médicos, laboratórios e perfis de medicamentos. Uma área da farmácia que a IA pode beneficiar particularmente é o desenvolvimento de medicamentos. O desenvolvimento de novos medicamentos tem sido historicamente um processo muito longo, complexo e caro; no entanto, a utilização da IA ​​pode acelerar a taxa de descoberta através da análise de conjuntos de dados, da identificação de compostos ideais e da previsão da sua provável eficácia. Ao mesmo tempo, aproveitar a IA para promover o futuro da farmácia exige aceitar os aspectos de precisão e segurança da IA ​​para a sua utilização no desenvolvimento de medicamentos.



Inteligência artificial (IA) farmacêutica, ou farmacointeligência , refere-se ao uso inteligente de informações e tecnologia para otimizar processos relacionados a medicamentos e melhorar a tomada de decisões em toda a área farmacêutica. 1 Isso inclui desenvolvimento, fabricação, distribuição e atendimento ao paciente de medicamentos. 1 Uma área de interesse quando se considera a farmacointeligência é o seu uso na descoberta e desenvolvimento de medicamentos. O desenvolvimento de medicamentos tradicionais é conhecido por ser um processo muito longo, complexo e caro, com um custo médio de quase 2,6 mil milhões de dólares e demorando em média cerca de 12 anos a ser concluído. Isto cria um atraso no fornecimento de opções de tratamento potencialmente mais seguras e eficazes para pacientes com doenças complexas. 2

O desenvolvimento contínuo de medicamentos é essencial para o avanço do atendimento ao paciente, particularmente no tratamento de doenças obscuras que carecem de tratamentos eficazes. À medida que as doenças evoluem, podem surgir novos desafios, aumentando a necessidade de terapias inovadoras para melhorar os resultados dos pacientes, tratando estados de doenças raras que anteriormente eram intratáveis ​​ou tinham opções de tratamento terapêutico limitadas. Um exemplo disso é a fibrose pulmonar idiopática (FPI), que será discutida posteriormente neste artigo. O uso da farmacointeligência para agilizar esses processos está agora sendo direcionado para melhorar a eficácia e a segurança, ao mesmo tempo que fornece opções de tratamento inovadoras. Antes de explorar a aplicação da farmacointeligência no desenvolvimento de medicamentos e a sua utilização no avanço do futuro da farmácia, é essencial compreender os diferentes tipos de IA.

O termo amplo inteligência artificial é definido como a simulação de processos de inteligência humana por meio do uso de tecnologia computacional. Este processo abrange a aquisição de informações, o desenvolvimento de regras para o uso das informações, a obtenção de conclusões e a autocorreção. 3  



A segunda camada, ou subcampo, da IA ​​inclui aprendizado de máquina (ML), que utiliza métodos estatísticos para que a IA aprenda mais sem a necessidade de ser programada especificamente. Para que o ML cresça e se desenvolva, existem duas abordagens fundamentais nas quais a IA é treinada: aprendizagem supervisionada e não supervisionada. A aprendizagem supervisionada envolve o treinamento a partir de dados rotulados com rótulos de saída correspondentes. Em termos de desenvolvimento de medicamentos, a aprendizagem supervisionada incluiria a formação para prever a eficácia dos medicamentos com base nos dados rotulados disponíveis que ilustram como as combinações anteriores de medicamentos foram utilizadas com sucesso para tratar doenças.

Por outro lado, a aprendizagem não supervisionada envolve a aprendizagem sem dados explicitamente rotulados, o que significa que a IA pode aprender com base na identificação de padrões e relações entre conjuntos de dados aparentemente aleatórios. Usando o desenvolvimento de medicamentos e a farmácia como outro exemplo, a aprendizagem não supervisionada poderia ser usada para encontrar classificações de doenças potencialmente desconhecidas com base em dados de pacientes não identificados. 3 Em termos simples, a aprendizagem não supervisionada permite uma abordagem mais exploratória para encontrar insights potencialmente ocultos em dados não rotulados.

O subcampo final da IA ​​é chamado aprendizagem profunda (DL), que é um subconjunto adicional de ML, utilizando redes neurais profundas que se adaptam e aprendem com dados experimentais. DL permite que a IA resolva problemas complexos indo um passo além do ML. Em vez de revisar dados não identificados, o DL permite uma análise mais profunda de dados não estruturados, incluindo imagens e fala, sem a necessidade de programação externa para fazê-lo. Considerando a integração da DL no desenvolvimento de medicamentos, este subconjunto de IA pode ajudar na identificação de padrões potenciais entre estruturas químicas para ajudar a prever o sucesso potencial de um novo composto. 3  



O Processo de Desenvolvimento de Medicamentos e IA

O desenvolvimento tradicional de medicamentos pode ser dividido em quatro categorias principais: seleção e validação de alvos, triagem de compostos e otimização de leads, estudos pré-clínicos e, por último, ensaios clínicos. 2 A utilização de IA em cada etapa do processo de desenvolvimento de medicamentos permite que vários tipos de modelos de aprendizagem, incluindo ML e DL, sejam utilizados para superar as ineficiências usuais do processo tradicional. 

A seleção do alvo envolve a identificação e validação de uma doença alvo potencial para tratamento. Os processos alvo podem incluir a inativação de enzimas ou o bloqueio de receptores que podem ajudar a alterar ou interromper a progressão da doença alvo. Para melhorar a eficiência, um modelo de IA pode ser utilizado para identificar rapidamente diferentes características entre diferentes moléculas e células. 2 Isso pode ser conseguido usando DL e ML para caracterizar texturas visuais, um processo denominado Recursos de textura Tamura . O recurso de textura Tamura é uma forma de revisar a grosseria, o contraste ou a direcionalidade das imagens no espaço de IA para extrair dados valiosos de compostos potenciais para análise de padrões entre os dados. 2 Depois que um alvo é selecionado e validado, o composto escolhido deve então ser examinado e otimizado.



Utilizando os dados encontrados durante a seleção do alvo, os pesquisadores são então capazes de identificar alvos moleculares que causam ou progridem estados de doença, com o objetivo de identificar uma molécula que possa ser modulada para uma via específica da doença. Ao utilizar IA, os pesquisadores podem empregar bibliotecas in silico para completar a seleção de alvos e triagem de compostos. In silico é um termo usado para definir a coleção baseada em computador de modelos virtuais, simulações e resultados preditivos de compostos químicos. Essas bibliotecas oferecem grandes avanços na eficiência e segurança da triagem de medicamentos alvo porque, uma vez identificado um alvo, a triagem de alto rendimento pode testar rapidamente milhares de compostos quanto à atividade biológica, com o objetivo de encontrar um “acerto”, ou composto que seja encontrado para ter atividade contra o alvo desejado. A utilização destas tecnologias de IA para identificar e rastrear compostos fornece previsões importantes para o sucesso de uma molécula escolhida, ao mesmo tempo que diminui o custo associado a um fracasso experimental num projeto tradicional de desenvolvimento de medicamentos. 23  

Uma vez identificado um “acerto”, as moléculas são caracterizadas como moléculas principais e otimizadas para propriedades adicionais. Isto envolve melhoria nas propriedades do medicamento, incluindo seletividade, segurança e potência do(s) lead(s) escolhido(s). Modificações químicas são feitas durante esta etapa para aumentar a capacidade da molécula de interagir de forma mais eficaz com o alvo biológico de interesse escolhido.



Um aspecto importante da otimização de chumbo inclui uma análise da relação estrutura-atividade (SAR), em que a estrutura molecular do composto é alterada para ver como as mudanças podem afetar a atividade biológica. A IA pode acelerar significativamente este processo, uma vez que o ML pode analisar rapidamente grandes quantidades de dados SAR para prever como as mudanças estruturais afetarão a atividade. Isto torna mais rápido e fácil para os pesquisadores se concentrarem nas modificações potenciais mais promissoras, diminuindo o número de compostos não ideais repassados ​​para estudos in vitro ou in vivo e aumentando a eficiência geral, ao mesmo tempo que acelera o processo de desenvolvimento. 3

Papel na determinação das propriedades do ADMET



Além da atividade SAR, as propriedades de absorção, distribuição, metabolismo, excreção e toxicidade (ADMET) devem ser avaliadas para determinar o sistema de administração mais eficaz do composto principal no corpo. A IA também pode ser usada para prever propriedades ADMET, utilizando ML e DL para tirar conclusões com base em dados identificados e não identificados para descobrir insights importantes mais rapidamente. 23

Após a conclusão da otimização do lead, o composto desenvolvido é repassado para estudos in vitro e in vivo para posterior pesquisa e aprovação. A IA também é aproveitada no processo de ensaios clínicos, auxiliando na seleção dos participantes para os ensaios. Antes da IA, o recrutamento de participantes considerados adequados para ensaios poderia ser um processo demorado, uma vez que milhares de pacientes eram avaliados individualmente para garantir que cumpriam os critérios de inclusão num estudo. A utilização da abordagem de IA no recrutamento permite que a IA identifique e preveja biomarcadores relevantes para humanos de doenças em estudo e facilita o recrutamento de uma população específica de pacientes em ensaios clínicos de fase II e fase III. 3 A capacidade de avaliar rapidamente potenciais participantes usando IA ajuda a aumentar a taxa de sucesso em ensaios clínicos, aumentando a probabilidade de selecionar indivíduos que responderão bem ao tratamento selecionado.



Se um medicamento falhar durante os ensaios clínicos para o uso pretendido original, a IA apresenta a oportunidade de redirecionar o medicamento para outros usos terapêuticos potenciais. Durante os ensaios clínicos, a medicação pode falhar por vários motivos, incluindo eventos adversos inesperados ou falta de eficácia terapêutica. Apesar do fracasso original, a IA permite a aplicação do medicamento selecionado a um novo estado de doença, o que é vantajoso para os desenvolvedores de medicamentos, uma vez que o medicamento ainda está qualificado para ir diretamente para os ensaios de fase II para uma nova indicação – acelerando o processo de desenvolvimento do medicamento como bem como reduzir custos. 3  

IA em ação 

Um exemplo atual do uso de IA no desenvolvimento de medicamentos para tratar doenças obscuras ou raras é uma molécula conhecida como INS018_055, um inibidor antifibrótico de pequenas moléculas para o tratamento de FPI. A FPI é uma doença que atualmente tem opções limitadas de tratamento aprovadas pela FDA, tornando-a um alvo ideal para pesquisa e desenvolvimento de medicamentos. INS018_055 resultou da integração da plataforma de IA Pharma.AI. Pharma.AI serve como plataforma fundamental para PandaOmics, Chemistry42 e uma variedade de outras iniciativas de IA. 4

O PandaOmics apresenta um sistema avançado de geração de hipóteses baseado em IA que permite aos pesquisadores inserir estados de doenças específicas e obter uma lista classificada de genes relacionados. Após esta análise inicial, o sistema passa para a validação do alvo, analisando os alvos moleculares quanto ao seu potencial no desenvolvimento de medicamentos. Este processo inclui a investigação das ligações entre estes alvos moleculares e a doença, apoiada por evidências relevantes. 5 Ao longo de todo o programa, a PandaOmics utiliza DL e ML para aprimorar suas análises e previsões, incluindo a avaliação da probabilidade de alvos moleculares progredirem para ensaios clínicos de fase I nos próximos 5 anos e estimar as chances de transições bem-sucedidas através de fases de ensaios subsequentes adaptadas à doença . 9 Complementando isso, a Química42 desempenha um papel crucial nos estágios posteriores da descoberta de medicamentos, incluindo identificação de acertos, progressão de acerto para chumbo e otimização de chumbo. 10 Química42 utiliza técnicas de DL e ML. 4 Juntos, estes sistemas inovadores aumentam a eficiência da descoberta e desenvolvimento de medicamentos, facilitando intervenções terapêuticas direcionadas.

Para o desenvolvimento do INS018_055, a PandaOmics identificou o alvo da molécula e a Química42 foi então utilizada para projetar a estrutura molecular. 4 Os sistemas de IA utilizados neste desenvolvimento ilustram ainda mais os avanços que o ML pode oferecer em relação à capacidade da IA ​​de aprender com base no reconhecimento de padrões e em dados não listados. 

Em fevereiro de 2022, a Insilico Medicine relatou um progresso significativo no avanço do desenvolvimento inicial para os ensaios clínicos de fase I em menos de 30 meses, alcançando este marco a um custo substancialmente mais baixo do que os métodos tradicionais de descoberta de medicamentos – em grande parte devido às capacidades das suas plataformas Pharma.AI. 11 O ensaio de fase I do INS018_055 envolveu 80 voluntários saudáveis ​​e foi concebido como um ensaio clínico padrão-ouro: duplo-cego e controlado por placebo. Este estudo incorporou protocolos de dose única e múltipla ascendente com o objetivo de avaliar a segurança, tolerabilidade e farmacocinética do composto, ao mesmo tempo que identificou a dose máxima tolerada em indivíduos saudáveis. Os detalhes dos intervalos de dosagem e protocolos ainda não foram divulgados. 6 Apesar disso, os resultados do ensaio de fase I indicaram que o INS018_055 era geralmente seguro e bem tolerado, sem mortes ou efeitos adversos significativos relatados ao longo do estudo. 12,13 Isto levou a FDA a fornecer ao INS018_055 a designação de medicamento órfão em 2023. 4.6 Em outubro de 2024, as inscrições para o ensaio de fase II estavam em andamento em nove locais nos Estados Unidos, com data de conclusão prevista para 28 de fevereiro de 2026. 7

Considerações Éticas  

Apesar dos grandes avanços que a farmacointeligência pode trazer para a área farmacêutica, também é importante explorar as limitações do seu uso. Algumas preocupações principais incluem falta de empatia, precisão e privacidade dos dados, responsabilidade e potencial preconceito. Conforme discutido anteriormente, quando a farmacointeligência é utilizada no processo de desenvolvimento de medicamentos, ela se baseia em dados do paciente que podem incluir testes laboratoriais, medicamentos, históricos médicos anteriores e outras informações para fazer previsões mais direcionadas sobre o sucesso de um alvo potencial. 8 Garantir que as informações sejam tratadas de forma segura e confidencial é de extrema importância para proteger a privacidade do paciente e cumprir as diretrizes da HIPAA. 

A precisão dos dados fornecidos pela IA também é uma preocupação. As recomendações e conselhos fornecidos pela IA são tão precisos quanto os dados com os quais são programados. Sempre existe a possibilidade de que as informações fornecidas à IA sejam incompletas, incorretas ou tendenciosas, possivelmente distorcendo as recomendações que a IA faz. Isto pode resultar em desigualdades no processo de desenvolvimento de medicamentos, como a sub-representação de certas populações ou recomendações de tratamento abaixo do ideal. 8  

Por fim, há sempre a preocupação com a responsabilização das decisões tomadas via farmacointeligência. Se ocorrerem eventos adversos graves ou graves devido a uma recomendação feita pela IA, a questão passa a ser quem será responsabilizado por essas decisões. 14h15 Independentemente de cada limitação discutida, é importante sempre considerar os efeitos que a ausência do toque humano pode ter em qualquer processo auxiliado pela IA e as repercussões que podem ocorrer como resultado. 

Conclusão

É evidente que a integração da IA ​​no domínio da farmácia, e particularmente no domínio do desenvolvimento de medicamentos, oferece um grande potencial na transformação da velocidade com que os investigadores podem descobrir com sucesso tratamentos novos e eficazes para doenças raras e comuns (como observado nos estudos atuais com INS018_055). A Pharmacointelligence oferece grandes avanços em eficiência, com a capacidade de reduzir custos gerais e melhorar as taxas de sucesso de potenciais candidatos a medicamentos. Apesar da promessa da IA, grandes avanços também trazem grandes responsabilidades, e a responsabilização pelas ações da IA ​​também deve ser considerada. Uma abordagem equilibrada é crucial para garantir que as considerações éticas sejam cuidadosamente abordadas para proteger a privacidade e a integridade dos dados dos pacientes, ao mesmo tempo que se continua a transformar a indústria farmacêutica.

REFERÊNCIAS

1. Chalasani SH, Syed J, Ramesh M, et al. Inteligência artificial no campo da prática farmacêutica: uma revisão de literatura. Explorar Res Clin Soc Pharm . 2023;12:100346.
2. Chan HCS, Shan H, Dahoun T, et al. Avanço na descoberta de medicamentos por meio da inteligência artificial [a correção publicada aparece em Tendências Pharmacol Sci . 2019;40(10):8011. Tendências Pharmacol Sci . 2019;40(8):592-604.
3. Mak KK, Pichika MR. Inteligência artificial no desenvolvimento de medicamentos: situação atual e perspectivas futuras. Descoberta de drogas hoje . 2019;24(3):773-780.
4. Buntz B. Descoberta de medicamentos baseada em IA: Insilico Medicine avança para a fase 2. Descoberta e desenvolvimento de medicamentos . 2023. www.drugdiscoverytrends.com/ai-driven-drug-discovery-insilico-ins018_055/. Accessed October 23, 2024.
5. Farma.ai. 2024.https://pharma.ai/. Accessed December 11, 2024.
6. Um estudo de fase 1 para avaliar a segurança, tolerabilidade e farmacocinética do INS018_055 em indivíduos saudáveis. Clinicaltrials.gov. 2024.https://clinicaltrials.gov/study/NCT05154240?term=INS018-055&rank=1&a=4. Accessed October 23, 2024.
7. Estudo avaliando INS018_055 administrado por via oral a indivíduos com fibrose pulmonar idiopática. Clinicaltrials.gov. Publicado em 2024. https://clinicaltrials.gov/study/NCT05975983?cond=IPF&term=INS018-055&rank=2. Accessed October 11, 2024.
8. Khan O, Parvez M, Kumari P, et al. O futuro da farmácia: como a IA está revolucionando a indústria. Intel Farmacêutica . 2023;1(1):32-40.
9. Kamya P, Ozerov IV, Pun FW, et al. PandaOmics: uma plataforma orientada por IA para descoberta de alvos terapêuticos e biomarcadores. Modelo J Chem Inf. 2024;64:3961-3969.
10. Ivanenkov YA, Polykovskiy D, Bezrukov D, et al. Chemistry42: uma plataforma orientada por IA para design e otimização molecular. Modelo J Chem Inf. 2023;63(3):695-701.
11. FPI – Fase 1. Medicina Insilico. 10 de janeiro de 2023. https://insilico.com/blog/ipf-phase1. Accessed October 24, 2024.
12. Ren F, Aliper A, Chen J, et al. Um inibidor de TNIK de molécula pequena tem como alvo a fibrose em modelos pré-clínicos e clínicos. Nat Biotecnologia . 8 de março de 2024:1-13. www.nature.com/articles/s41587-024-02143-0. Accessed October 24, 2024.
13. Pun F. Inteligência artificial generativa para descoberta de medicamentos: como o primeiro medicamento descoberto e projetado por IA progrediu para a fase 2 de testes clínicos. Comunidades Springer de Natureza e Pesquisa. 13 de março de 2024. https://communities.springernature.com/posts/draft-9b0556ab-aa4d-49fd-bf3c-9c1a621defff. Accessed October 24, 2024.
14. Habli I, Lawton T, Porter Z. Inteligência artificial em cuidados de saúde: responsabilidade e segurança. Órgão Mundial de Saúde Bull. 2020;98(4):251-256.
15. Organização Mundial da Saúde. Benefícios e riscos do uso de inteligência artificial para desenvolvimento e distribuição farmacêutica. 2024. www.who.int/publications/i/item/9789240088108. Accessed December 19, 2024.

O conteúdo contido neste artigo é apenas para fins informativos. O conteúdo não pretende substituir o aconselhamento profissional. A confiança em qualquer informação fornecida neste artigo é por sua conta e risco.