MarkTechPost mostra como montar um coentista de IA com QSAR para buscar inibidores de EGFR

Em 6 de julho de 2026, o MarkTechPost publicou um tutorial prático sobre como criar um coentista de IA autônomo para buscar inibidores da mutação EGFR C797S, uma das causas de resistência a medicamentos no câncer de pulmão.

Como o sistema coleta os dados

O pipeline começa definindo a proteína-alvo: com as bases ChEMBL e UniProt, os autores encontram informações estruturais e funcionais sobre o EGFR e sua forma C797S, resistente à terapia. Do ChEMBL são extraídos registros de atividade experimental IC50, a concentração da substância na qual metade da atividade do alvo é inibida. Esses valores são convertidos em pIC50, uma escala logarítmica padrão da força de ligação, conveniente para treinar um modelo de aprendizado de máquina.

• Fontes de dados: ChEMBL (atividade química) e UniProt (proteína-alvo)
• Mutação-alvo: EGFR C797S, uma das causas da resistência dos tumores a medicamentos de terapia-alvo
• Medida de atividade: IC50, convertida em pIC50
• Codificação da estrutura das moléculas: fingerprints de Morgan pela biblioteca RDKit
• Modelo: Random Forest com divisão da amostra por scaffold-split

Como o modelo QSAR é treinado

Depois da coleta e da limpeza dos dados, o RDKit padroniza as estruturas químicas e calcula os fingerprints de Morgan, vetores numéricos que codificam o entorno de cada átomo da molécula. Com essas características, treina-se um modelo Random Forest, que aprende a prever o valor de pIC50 de compostos novos, que ele não viu antes.

O detalhe metodológico central é o scaffold-split. Em vez de dividir os dados aleatoriamente entre treino e teste, os autores agrupam as moléculas por seu esqueleto químico e garantem que compostos com o mesmo esqueleto não apareçam nos dois conjuntos ao mesmo tempo. Isso avalia com mais honestidade se o modelo consegue generalizar para classes de substâncias estruturalmente novas, e não apenas memorizar variações de moléculas que já conhece.

Por que usar SHAP e geração de candidatos

Para entender quais fragmentos da molécula elevam a atividade prevista, os autores aplicam o SHAP, método de interpretação de modelos de aprendizado de máquina que mostra a contribuição de cada característica para a previsão final. Isso tira o Random Forest da condição de caixa-preta e o transforma em uma ferramenta que indica aos químicos quais elementos estruturais vale manter ou reforçar nos novos candidatos.

Em seguida, entra no pipeline o algoritmo BRICS, que quebra moléculas ativas conhecidas em fragmentos nos pontos típicos de ruptura de ligações na síntese química. Ao remontar esses fragmentos em novas combinações, o sistema gera uma biblioteca de estruturas candidatas e, com o modelo QSAR treinado, as ranqueia pela força de ligação prevista ao EGFR C797S, selecionando as variantes mais promissoras para verificação posterior.

O que isso significa

O tutorial mostra como a combinação de bases de dados abertas, RDKit, aprendizado de máquina clássico e IA explicável vira uma ferramenta funcional para a fase inicial do desenvolvimento de medicamentos, sem plataformas proprietárias e com uma lógica transparente em cada previsão, que um químico pode verificar.

Perguntas frequentes

O que é scaffold-split no treinamento de um modelo QSAR?

É uma forma de dividir os dados em conjuntos de treino e teste pelo esqueleto químico das moléculas, e não de maneira aleatória. Assim se verifica se o modelo consegue prever a atividade de estruturas realmente novas, e não apenas reconhecer as parecidas com as que já viu.

Por que o pipeline precisa de fragmentos BRICS?

O BRICS quebra moléculas ativas conhecidas em fragmentos nos pontos típicos de ruptura de ligações na síntese e depois permite remontá-los em novas estruturas candidatas, que o modelo ranqueia pela força de ligação prevista ao EGFR C797S.