Um artigo científico produzido pela equipa de investigação liderada por Liu Huanxiang, professora do Centro de Descoberta de Fármacos, impulsionada por Inteligência Artificial da Faculdade de Ciências Aplicadas da Universidade Politécnica de Macau (FCA-UPM), intitulado “Predicting molecular properties based on the interpretable graph neural network with multistep focus mechanism”, foi publicado pela revista “Briefings in Bioinformatics”, sendo o primeiro autor desse artigo a aluna Tian Yanan, doutoranda do primeiro ano, anunciou a UPM em nota de imprensa.
Em grosso modo, o processo de descoberta de medicamentos consiste essencialmente na optimização gradual das diversas propriedades dos compostos para a obtenção de medicamentos seguros e eficazes. Por isso, explica a UPM na mesma nota, citando o estudo, “a predição precisa das propriedades dos compostos é essencial para o design e a optimização de novos medicamentos”. “Nos últimos anos, as técnicas de aprendizagem aprofundada, devido à sua grande capacidade de aprendizagem, têm sido aplicadas amplamente em áreas como a predição de propriedades moleculares e a geração de moléculas. No entanto, nos actuais métodos de previsão de propriedades moleculares baseados na aprendizagem aprofundada, a maioria dos modelos são como caixas pretas, que não podem fornecer orientações claras para o design de medicamentos e a optimização molecular”.
Para resolver este problema, o artigo em causa propôs uma nova rede neural de gráficos interpretável para a predição de propriedades moleculares. O modelo usa o gráfico molecular como a representação de input e usa a rede neural de passagem de mensagem como a estrutura básica, melhorando a previsão e a interpretabilidade do modelo através da incorporação de um mecanismo de foco em várias etapas. “Um grande número de resultados experimentais em oito conjuntos de ‘benchmarks’ mostram que o modelo IFGN tem melhor desempenho de previsão em tarefas de classificação e tarefas de regressão. Os resultados da visualização também provam que o modelo IFGN pode identificar com sucesso, em moléculas, os nós-chave que estão intimamente relacionadas com as propriedades previstas, aumentando assim a interpretabilidade do modelo. Além disso, para facilitar o uso por parte dos desenvolvedores de medicamentos, a equipa de investigação científica também criou websites relacionados.
