A IBM Research possui dois modelos de base biomédicos de código aberto, oferecendo à comunidade científica ferramentas poderosas para a descoberta de medicamentos.
Os modelos incluem várias modalidades diferentes (incluindo sequências, gráficos e imagens) e abrangem vários domínios (incluindo alvos, moléculas pequenas e agentes biológicos), o que lhes dá uma vantagem sobre outros modelos no espaço aberto.
"O principal desafio e lacuna nos modelos existentes é lidar com como agregar informações de várias modalidades e conectá-las em vários domínios", diz Michal Rosen-Zvi, Diretor de IA para Descoberta de Medicamentos na IBM Research. “Estamos lidando com essas lacunas com os modelos que estamos disponibilizando para código aberto e as metodologias por trás deles.” A IA generativa pode otimizar o desenvolvimento tradicional de medicamentos, que geralmente é demorado e caro. Normalmente, o processo de desenvolvimento envolve quatro fases críticas: identificar uma proteína-alvo ligada a uma doença, confirmar que a interação com esse alvo pode prevenir sintomas ou curar a condição, descobrir uma pequena molécula ou agente biológico que interage com o alvo e otimizar a terapia com candidatos .
"Em última análise, acreditamos que nossos modelos têm o potencial de impulsionar a descoberta científica com maior velocidade e em escala", diz Jianying Hu, IBM Fellow e Diretora de Pesquisa de Saúde e Ciências Biológicas.
Os pesquisadores dizem que a decisão de abrir os dois modelos também surgiu da convicção de que modelos de base de IA responsável precisam ser desenvolvidos em código aberto. Para isso, a IBM Research começou a trabalhar em colaboração com a Boston University, a Red Hat e a Cleveland Clinic em um novo grupo de trabalho da AI Alliance dedicado a aplicação da IA de código aberto na descoberta de medicamentos. Ele terá início na Boston University em 30 de outubro de 2024. "O código aberto permitirá que a comunidade reúna as melhores e mais brilhantes mentes e trabalhe em conjunto para enfrentar as questões mais desafiadoras, lidando com as lacunas atuais nos métodos computacionais para descoberta de medicamentos", diz Rosen-Zvi.