Cientistas da Universidade de Manchester e da Universidade de Warwick desenvolveram uma estrutura computacional de ponta que melhora o congelamento seguro de medicamentos e vacinas.
Tratamentos como vacinas, materiais de fertilidade, doações de sangue e terapias contra o câncer frequentemente requerem congelamento rápido para manter sua eficácia. As moléculas usadas neste processo, conhecidas como -crioprotetores-, são cruciais para permitir esses tratamentos. De fato, sem a criopreservação, tais terapias devem ser implantadas imediatamente, limitando assim sua disponibilidade para uso futuro.
O avanço, publicado em Comunicações da Natureza permite que centenas de novas moléculas sejam testadas virtualmente usando um modelo baseado em aprendizado de máquina e orientado por dados.
O professor Gabriele Sosso, que liderou a pesquisa em Warwick, explicou: -É importante entender que o aprendizado de máquina não é uma solução mágica para todos os problemas científicos. Neste trabalho, nós o usamos como uma ferramenta entre muitas, e seu sucesso veio de sua sinergia com simulações moleculares e, mais importante, integração com trabalho experimental.-
Essa abordagem inovadora representa uma mudança significativa na forma como os crioprotetores são descobertos, substituindo os métodos de tentativa e erro, caros e demorados, atualmente em uso.
Importante, através deste trabalho a equipe de pesquisa identificou uma nova molécula capaz de impedir que cristais de gelo cresçam durante o congelamento. Isto é essencial, pois o crescimento de cristais de gelo durante o congelamento e o descongelamento apresenta um grande desafio na criopreservação. Os crioprotetores existentes são eficazes na proteção de células, mas não impedem a formação de cristais de gelo.
A equipe desenvolveu modelos de computador que foram usados para analisar grandes bibliotecas de compostos químicos, identificando quais seriam mais eficazes como crioprotetores.
Dr. Matt Warren, o candidato a PhD que liderou o projeto, disse: -Após anos de coleta de dados intensiva em trabalho no laboratório, é incrivelmente emocionante ter agora um modelo de aprendizado de máquina que permite uma abordagem orientada por dados para prever a atividade crioprotetora. Este é um excelente exemplo de como o aprendizado de máquina pode acelerar a pesquisa científica, reduzindo o tempo que os pesquisadores gastam em experimentos de rotina e permitindo que eles se concentrem em desafios mais complexos que ainda exigem engenhosidade e experiência humanas.-
A equipe também conduziu experimentos usando sangue, demonstrando que a quantidade de crioprotetor convencional necessária para armazenamento de sangue poderia ser reduzida adicionando as moléculas recém-descobertas. Esse desenvolvimento poderia acelerar o processo de lavagem de sangue pós-congelamento, permitindo que o sangue fosse transfundido mais rapidamente.
-Os resultados do modelo de computador foram surpreendentes, identificando moléculas ativas que eu nunca teria escolhido, mesmo com meus anos de experiência. Isso realmente demonstra o poder do aprendizado de máquina.-
Essas descobertas têm o potencial de acelerar a descoberta de crioprotetores novos e mais eficientes – e também podem permitir o reaproveitamento de moléculas já conhecidas por retardar ou interromper o crescimento do gelo.
O professor Matthew Gibson, do Instituto de Biotecnologia de Manchester na Universidade de Manchester, acrescentou: – Minha equipe passou mais de uma década estudando como proteínas de ligação ao gelo, encontradas em peixes polares, podem interagir com cristais de gelo, e temos desenvolvido novas moléculas e materiais que imitam sua atividade. Este tem sido um processo lento, mas a colaboração com o professor Sosso revolucionou nossa abordagem. Os resultados do modelo de computador foram surpreendentes, identificando moléculas ativas que eu nunca teria escolhido, mesmo com meus anos de experiência. Isso realmente demonstra o poder do aprendizado de máquina.-
O artigo completo pode ser lido aqui.
