O trabalho de Yanan Tian, aluna do Programa de Doutoramento Conjunto entre a Faculdade de Ciências e Tecnologia UC e a Macao Polytechnic University (MPU), promete uma nova abordagem para a conceção de fármacos com maior seletividade e eficácia clínica.

"Este trabalho propõe o modelo MMCLKin, uma estrutura baseada em métodos de IA avançada, concebida para prever com elevada precisão e interpretabilidade a atividade e seletividade de inibidores de quinases, acelerando significativamente o processo de descoberta e otimização de novos fármacos direcionados", explicou Yanan Tian, em comunicado da Faculdade de Ciência e Tecnologia enviado à agência Lusa.

Segundo a nota, as proteínas quinases constituem uma das classes de alvos terapêuticos mais relevantes na investigação biomédica, cujo potencial resulta do papel central que desempenham na regulação de múltiplos processos celulares, incluindo proliferação, diferenciação e morte celular.

"No entanto, o desenvolvimento de inibidores altamente seletivos continua a ser um desafio, devido à forte conservação estrutural entre as quinases e ao elevado custo dos ensaios experimentais", referiu.

Os resultados da investigação realizada sob a orientação dos professores Joel P. Arrais, do Departamento de Engenharia Informática da FCTUC, e Huanxiang Liu, da MPU, "demonstram que o modelo supera os métodos existentes na previsão da afinidade e seletividade de inibidores, mesmo em casos que envolvem estruturas desconhecidas ou quinases mutadas".

De acordo com os autores do estudo, os ensaios validaram o poder preditivo do modelo, demonstrando que cinco compostos sugeridos pelo MMCLKin inibem de forma eficaz uma mutação associada a doenças neurodegenerativas, sendo quatro deles ativos em concentrações nanomolares.

"Estes resultados reforçam o potencial do MMCLKin como ferramenta para acelerar o desenvolvimento de terapias direcionadas, abrindo novas perspetivas para o desenho racional de fármacos com maior seletividade e eficácia clínica", lê-se no comunicado.

Segundo os investigadores, a abordagem proposta representa um avanço na aplicação da IA à descoberta de fármacos, demonstrando como modelos computacionais de nova geração podem reproduzir 'in silico' processos biológicos complexos que, de forma experimental, podem demorar anos ou mesmo décadas.

Esta capacidade permite a identificação rápida de candidatos terapêuticos promissores, reduzindo significativamente o tempo e o custo da investigação farmacêutica.

Para além do seu impacto imediato, abre novas direções de investigação no campo da modelação de quinases, ao proporcionar um quadro unificado para analisar padrões estruturais, mutacionais e funcionais ao longo de toda a família de quinases humanas.

"Este tipo de abordagem pode evoluir para modelos generalistas capazes de antecipar o comportamento de novas quinases — incluindo aquelas ainda sem estrutura identificada — e apoiar o desenho racional de terapias seletivas e personalizadas em diversas áreas, desde o cancro às doenças neurodegenerativas".