IA na descoberta de medicamentos enfrenta desafios de qualidade e viés de dados

O alto custo e os longos prazos do desenvolvimento de medicamentos estão levando as empresas farmacêuticas a adotar inteligência artificial (IA) para melhorar as taxas de sucesso e reduzir riscos. A IA está sendo usada para projetar candidatos a medicamentos do zero e prever suas interações com alvos de doenças, substituindo a triagem física tradicional de vastas bibliotecas moleculares. Essa mudança permite que as empresas identifiquem compostos promissores mais rapidamente e eliminem candidatos de baixa qualidade antes dos testes laboratoriais, economizando tempo e recursos.

No entanto, candidatos gerados por IA ainda exigem validação em laboratório porque os modelos atuais não conseguem prever de forma confiável a cinética ou a capacidade de desenvolvimento. Isso aumentou a pressão sobre as equipes de laboratório, que precisam testar e caracterizar um volume crescente de compostos diversos gerados por IA. Os fluxos de trabalho tradicionais de triagem, projetados para resultados binários do tipo sim ou não, têm dificuldade em fornecer os dados detalhados necessários para esses candidatos complexos.

Um grande desafio é a qualidade e a completude dos dados de treinamento. Muitos modelos de IA dependem de conjuntos de dados públicos que carecem de estrutura, rotulagem e diversidade, levando a uma "parede de dados" onde os modelos chegam a conclusões semelhantes com retornos decrescentes. O viés de publicação agrava isso, pois a maioria dos dados públicos se concentra em resultados positivos, enquanto dados negativos — experimentos fracassados e compostos não ligantes — permanecem não publicados. Paul Belcher, diretor de estratégia de pesquisa de proteínas da Cytiva, observa que esse viés limita a capacidade dos modelos de aprender com falhas e fazer previsões confiáveis.

A integridade dos dados é outra preocupação. A fabricação de imagens, como Western blots, tornou-se mais fácil com a IA generativa. Pesquisas da microbiologista Elisabeth Bik descobriram que quase 4% dos artigos biomédicos continham imagens duplicadas ou manipuladas em 2016. Belcher alerta que dados manipulados usados para treinar IA podem ter consequências desastrosas. Alguns fornecedores estão desenvolvendo ferramentas para verificar a autenticidade dos dados, como o Image Integrity Checker da Cytiva, que usa algoritmos de hash seguros para detectar adulterações. Editoras estão mostrando interesse em adotar tais ferramentas como prática padrão.

Olhando para o futuro, a indústria deve enfrentar esses desafios de dados para realizar todo o potencial da IA na descoberta de medicamentos. Isso inclui criar conjuntos de dados mais abrangentes que incluam resultados negativos, melhorar a rotulagem e estrutura dos dados e implementar ferramentas de verificação para garantir a integridade dos dados. Sem essas etapas, os modelos de IA correm o risco de perpetuar vieses e produzir previsões não confiáveis, minando sua promessa de acelerar o desenvolvimento de medicamentos.