MarkTechPost mostrou como construir um co-pesquisador de IA QSAR para encontrar inibidores de EGFR

MarkTechPost em 6 de julho de 2026 publicou um tutorial prático sobre como criar um assistente de pesquisa de IA autônomo para descobrir inibidores de mutação EGFR C797S — uma das razões para resistência a drogas no câncer de pulmão.

Como o sistema coleta dados

O pipeline começa definindo a proteína alvo: através das bases de dados ChEMBL e UniProt, os autores encontram informações estruturais e funcionais sobre EGFR e sua forma resistente a terapia C797S. Registros de atividade IC50 experimental são extraídos do ChEMBL — a concentração de uma substância na qual metade da atividade do alvo é inibida. Esses valores são convertidos para pIC50, uma escala logarítmica padrão de força de ligação, conveniente para treinar um modelo de aprendizagem de máquina.

• Fontes de dados — bases de dados ChEMBL (atividade química) e UniProt (alvo proteico)
• Mutação alvo — EGFR C797S, uma das razões da resistência tumoral a medicamentos direcionados
• Medida de atividade — IC50, convertida para pIC50
• Codificação de estrutura molecular — impressões digitais de Morgan através da biblioteca RDKit
• Modelo — Random Forest com particionamento de dados scaffold-split

Como o modelo QSAR é treinado

Após coleta e limpeza de dados, RDKit padroniza estruturas químicas e calcula impressões digitais de Morgan — vetores numéricos codificando o ambiente de cada átomo em uma molécula. Um modelo Random Forest é treinado nessas características, aprendendo a prever valores de pIC50 para compostos novos e nunca antes vistos.

Um detalhe metodológico chave é o scaffold-split. Em vez de dividir aleatoriamente dados em conjuntos de treinamento e teste, os autores agrupam moléculas por andaime químico e garantem que compostos com o mesmo esqueleto não caiam em ambos os conjuntos simultaneamente. Esta abordagem testa mais honestamente a capacidade do modelo de generalizar conhecimento para classes estruturalmente novas de substâncias, em vez de simplesmente memorizar variantes de moléculas já familiares.

Por que SHAP e geração de candidatos importam

Para entender quais fragmentos moleculares específicos aumentam a atividade prevista, os autores aplicam SHAP — um método para interpretar modelos de aprendizagem de máquina, mostrando a contribuição de cada característica para a previsão final. Isso transforma Random Forest de uma caixa preta em uma ferramenta que diz aos químicos quais elementos estruturais valem a pena preservar ou fortalecer em novos candidatos.

A seguir, o algoritmo BRICS é incluído no pipeline — ele quebra moléculas ativas conhecidas em fragmentos em pontos típicos de quebra de ligação durante síntese química. Remontando esses fragmentos em novas combinações, o sistema gera uma biblioteca de estruturas candidatas e usa o modelo QSAR treinado para classificá-las por força de ligação prevista a EGFR C797S, selecionando as variantes mais promissoras para testes posteriores.

O que isso significa

O tutorial mostra como uma combinação de bases de dados abertas, RDKit, aprendizagem de máquina clássica e IA explicável se transforma em uma ferramenta funcional para desenvolvimento de drogas em estágio inicial — sem plataformas proprietárias e com lógica transparente para cada previsão que um químico pode verificar.

Perguntas frequentes

O que é scaffold-split no treinamento do modelo QSAR?

Esta é uma forma de dividir dados em conjuntos de treinamento e teste por andaime químico de moléculas, em vez de aleatoriamente — isto testa se o modelo pode prever atividade de estruturas verdadeiramente novas, em vez de simplesmente reconhecer aquelas semelhantes às já vistas.

Por que fragmentos BRICS são necessários no pipeline?

BRICS quebra moléculas ativas conhecidas em fragmentos em pontos típicos de quebra de ligação durante síntese, e então permite remontar esses fragmentos em novas estruturas candidatas que o modelo classifica por força de ligação prevista a EGFR C797S.