IA quântico-clássica projeta novos candidatos a medicamentos contra o câncer associado ao KRAS, e dois mostram potencial

Por que isso importa: A descoberta de medicamentos costuma levar mais de uma década e custar muito caro, com alto risco financeiro. Modelos de IA generativa estão sendo usados para explorar de forma mais eficiente o enorme espaço químico semelhante ao de medicamentos (cerca de 10^60 moléculas). A KRAS é um alvo prioritário para esses esforços. Trata-se de uma importante proteína promotora de câncer, historicamente considerada "não farmacológica" ("undruggable"), de modo que qualquer método que encontre novos pontos de partida químicos para ela interessa a pesquisadores de oncologia e de pesquisa translacional.

O que foi estudado: Os autores propõem um modelo generativo híbrido quântico-clássico para o desenho de moléculas pequenas. Ele usa máquinas de Born de circuito quântico (QCBMs, na sigla em inglês), modelos generativos quânticos que utilizam efeitos como superposição e emaranhamento para aprender distribuições de probabilidade complexas e amostrar novas moléculas semelhantes aos dados de treinamento. Os autores citam trabalhos anteriores que sugerem que as QCBMs conseguem generalizar além de seus conjuntos de treinamento e evitar alguns problemas de treinabilidade, e observam que os projetos híbridos foram desenvolvidos para contornar limitações de qubits e de treinabilidade dos circuitos. O fluxo de trabalho tem três etapas. A primeira é a construção dos dados de treinamento. A equipe compilou cerca de 650 inibidores de KRAS conhecidos a partir da literatura. Em seguida, usou o VirtualFlow 2.0 para fazer o docking de 100 milhões de moléculas da biblioteca Enamine REAL e manteve as 250.000 com as melhores pontuações de docking. Também usou o algoritmo STONED para ampliar o conjunto de dados, embora o texto fornecido seja interrompido neste ponto. As etapas posteriores, nas quais o modelo híbrido gera e filtra candidatos, não estão disponíveis no texto fornecido.

Principais resultados: Segundo o resumo, a equipe usou o método para desenhar, selecionar e sintetizar 15 moléculas propostas que poderiam se ligar à KRAS. Duas delas são promissoras para desenvolvimento futuro como inibidores de KRAS. Os autores concluem que a computação quântica pode gerar hits validados experimentalmente que se comparam favoravelmente a modelos clássicos. O texto fornecido não inclui os parâmetros de comparação quantitativos, como taxas de sucesso em relação a modelos clássicos de referência, afinidades de ligação ou valores de atividade celular, portanto eles não podem ser relatados aqui.

Implicações: Esta é uma demonstração inicial de que modelos generativos aprimorados por computação quântica podem alimentar um fluxo real de descoberta que termina em síntese e testes experimentais. Para o público de longevidade e oncologia, a mensagem principal é metodológica. Ferramentas híbridas quântico-clássicas podem, no futuro, ampliar a gama de química explorada para alvos difíceis. Seu impacto clínico, se houver, ainda está distante.

Ressalvas: Trata-se de uma Brief Communication com um conjunto experimental pequeno, de 15 compostos, dos quais apenas dois são descritos como promissores. O resumo fala em inibidores "potenciais" e em "promessa para desenvolvimento futuro". Nenhum dado de eficácia, segurança ou in vivo é descrito. As alegações de vantagem sobre modelos clássicos precisam de replicação independente, idealmente com orçamentos computacionais equivalentes. Vários autores são afiliados a empresas do setor de IA e de computação quântica, o que representa um potencial conflito de interesses. Por fim, este resumo se baseia em um texto completo truncado, de modo que detalhes da arquitetura do modelo, das comparações e dos resultados dos ensaios não estavam disponíveis.