ETH e Roche ensinam IA a prever onde ocorrerá a borilação C–H em uma molécula

Conceber uma molécula com a atividade farmacológica desejada é só o começo. Depois vêm perguntas que parecem mais simples, mas custam muito mais na prática: será possível sintetizar a molécula e em que ponto exato a reação vai ocorrer. Pesquisadores da ETH Zurich e da Roche publicaram, em uma revista da família Nature, um trabalho em que a IA prevê os sítios de borilação C–H, ou seja, a posição em que um grupo contendo boro será inserido. O trecho disponível do material não traz métricas quantitativas do modelo, por isso a análise abaixo se concentra na formulação do problema e no seu significado prático.

Por que a regiosseletividade decide o destino de um candidato

Na etapa de otimização de leads, os químicos raramente constroem a molécula do zero. Na maioria das vezes, partem de um esqueleto pronto e o modificam localmente: adicionam um substituinte, deslocam um grupo funcional e verificam como mudaram a atividade, a solubilidade e a estabilidade metabólica. Assim, obtêm em pouco tempo uma série de análogos próximos, com propriedades diferentes.

Nesse esquema, a borilação C–H funciona como uma “alavanca” conveniente. A ligação carbono–hidrogênio vira uma ligação carbono–boro, e o derivado organoboro pode ser facilmente elaborado depois: a partir dele, formam-se novas ligações C–C, C–N ou C–O. O problema é que uma molécula complexa tem dezenas de ligações C–H, e a reação pode ocorrer em qualquer uma delas. Um químico experiente costuma acertar a posição principal, mas, em estruturas heterocíclicas grandes, com vários centros concorrentes, a intuição falha. Nesse caso, a equipe gasta semanas em experimentos e na separação de misturas de isômeros.

O que ETH e Roche fazem

A parceria faz sentido: a ETH Zurich é forte em química computacional e em aprendizado de máquina para moléculas, e a Roche tem problemas reais de química medicinal e dados experimentais. O modelo recebe a estrutura da molécula e devolve uma previsão das posições mais prováveis para a borilação. O químico vê o resultado antes de iniciar a síntese.

O valor de uma ferramenta assim depende de duas coisas: a qualidade dos dados de treinamento e a capacidade do modelo de lidar com moléculas diferentes daquelas em que foi treinado. Para a indústria farmacêutica, o segundo ponto é o mais crítico. Candidatos reais raramente repetem os compostos típicos usados em testes.

O que se sabe sobre o trabalho

• Organizações: ETH Zurich e Roche.
• Publicação: revista da família Nature.
• Reação: borilação C–H.
• Tarefa do modelo: prever o sítio da reação em uma molécula já pronta.
• Etapa de aplicação: otimização de leads e modificação late-stage.
• Precisão, volume de dados e comparação com métodos de referência: não informados no trecho disponível.

Significado prático

Para a química medicinal, uma previsão desse tipo reduz o número de experimentos “vazios”. Se o modelo indica uma única posição com confiança, a equipe já planeja a síntese. Se aponta duas ou três posições igualmente prováveis, o químico sabe de antemão que terá de ajustar as condições ou usar grupos protetores.

Os números concretos estão no artigo original. É preciso olhar, sobretudo, a proporção de posições previstas corretamente em um conjunto de validação separado e o comportamento do modelo em estruturas fora da distribuição de treinamento. Se os resultados se mostrarem estáveis nesses pontos, modelos desse tipo passarão a fazer parte do pipeline rotineiro, ao lado do docking e da previsão de ADMET. Por ora, é mais um exemplo de como a IA está saindo da geração de moléculas para uma tarefa mais terra a terra e mais valiosa para a indústria: prever como as moléculas vão se comportar no frasco.