Dados privados elevam precisão do OpenFold3

Os modelos de inteligência artificial aprendem com exemplos: quanto mais relevantes forem os dados a que têm acesso, melhor tende a ser o seu desempenho. O princípio aplica-se tanto à previsão das interações entre moléculas de medicamentos e proteínas como ao reconhecimento facial ou à tradução automática. Na descoberta de fármacos, porém, alguns dos exemplos mais valiosos permanecem fechados nas bases de dados das empresas farmacêuticas, fora do alcance dos sistemas públicos de IA.

Um consórcio formado por AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson e Takeda afirma ter encontrado uma forma de treinar coletivamente um modelo com esses dados privados, sem que nenhuma empresa tenha de revelar os seus ficheiros às restantes. Segundo o teste criado pelo próprio consórcio, o modelo obtido superou com margem o sistema inicialmente treinado apenas com dados públicos. Nem o modelo, nem os dados de teste, nem um artigo sujeito a revisão por pares foram, contudo, divulgados (Nature).

Treinar um modelo sem reunir os dados

O ponto de partida foi o OpenFold3 Preview 2, um sistema de código aberto que prevê a forma tridimensional assumida em conjunto por proteínas e pequenas moléculas semelhantes às usadas em medicamentos. Em termos simples, procura antecipar tanto a forma de uma fechadura como a posição em que uma chave encaixará nela (OpenFold3 repository).

Em vez de reunirem numa única base de dados as estruturas das cinco empresas, cada participante treinou localmente uma cópia do modelo com os seus próprios dados. Apenas foram enviados a um coordenador central os ajustamentos numéricos aprendidos durante o treino, mantendo-se os registos moleculares na empresa de origem. A Apheris, sediada em Berlim, coordenou o processo através da plataforma aberta de aprendizagem federada da NVIDIA, enquanto o laboratório de Mohammed AlQuraishi, na Columbia University, contribuiu com conhecimentos especializados sobre o modelo. O consórcio declara ter utilizado 40 processadores gráficos NVIDIA H100 em cinco ambientes empresariais separados (Apheris, Nature).

As estruturas originais permaneceram protegidas pelas barreiras informáticas de cada empresa. Falta, ainda assim, uma demonstração formal de que os ajustamentos partilhados pelo modelo não permitem inferir informação sobre os dados usados no treino, um risco teórico conhecido da aprendizagem federada.

O contributo das estruturas privadas

O modelo foi treinado com 20 167 estruturas proprietárias de complexos entre proteínas e medicamentos e avaliado num conjunto privado distinto, composto por 1 056 estruturas (Apheris). O principal indicador mediu a frequência com que a disposição prevista para o par medicamento-proteína reproduzia de perto a observada experimentalmente. O modelo federado obteve resultados de elevada qualidade em 52,1% dos casos de teste, contra 35,6% no OpenFold3 original e 40,9% no Boltz-2, outro dos principais modelos abertos (Apheris, Nature).

Um modelo de controlo, treinado apenas com dados públicos mais recentes, não alcançou ganhos equivalentes. O consórcio considera que esta diferença mostra que as estruturas privadas continham informação útil para as previsões que não estava presente nos registos de acesso público (Apheris).

A explicação poderá estar na composição dos dados. O Protein Data Bank público é vasto, mas reflete as proteínas que os laboratórios académicos escolheram estudar. Segundo o consórcio e especialistas externos, as bases farmacêuticas tendem a incluir séries sistemáticas em que um mesmo alvo é analisado em conjunto com numerosos candidatos a medicamento semelhantes, registando as pequenas diferenças de ligação que orientam o desenho de novas moléculas (Nature, C&EN). O modelo federado também terá superado todos os modelos treinados por uma única empresa, um resultado compatível com a vantagem de combinar informação proveniente de vários participantes.

O que ainda não pode ser verificado de forma independente

Não foi submetido qualquer artigo científico. Os parâmetros numéricos aprendidos pelo modelo, as estruturas usadas no teste e as previsões individuais permanecem indisponíveis para investigadores externos, tal como os intervalos de confiança ou testes estatísticos. Além disso, o teste foi construído e avaliado pelas mesmas organizações que desenvolveram o sistema (Nature).

Esta ausência de escrutínio é relevante devido a uma limitação já identificada noutros modelos. Trabalhos do grupo PoseBusters mostraram que algumas previsões de estruturas por IA podem parecer geometricamente próximas da estrutura de referência e, ao mesmo tempo, colocar átomos em configurações fisicamente impossíveis, incluindo ligações com ângulos que não ocorrem em moléculas reais (PoseBusters). Não se sabe se as previsões do AISB resistem a estes testes.

O teste avalia a capacidade de reconstruir configurações experimentais já conhecidas. Não permite concluir se o modelo ajuda a encontrar compostos que se liguem efetivamente ao alvo num organismo vivo ou se esses compostos serão seguros. Uma previsão rigorosa da posição de ligação pode orientar um químico na escolha das moléculas a investigar, mas o consórcio não apresentou resultados relativos às etapas posteriores do desenvolvimento de medicamentos.

O projeto MELLODDY, que reuniu dez empresas, já tinha demonstrado que a aprendizagem federada podia melhorar as previsões de propriedades moleculares entre concorrentes da indústria farmacêutica (MELLODDY). O AISB aplica agora o mesmo princípio à previsão de estruturas tridimensionais. Para determinar se os ganhos anunciados se mantêm fora de uma avaliação controlada pelo próprio consórcio, será necessário publicar o estudo e disponibilizar dados suficientes para uma verificação independente.