“Mais Do Que Máscaras: Quando A Extensão Universitária (PET) Descobre O Coração Da Integração”

 “Mais Do Que Máscaras: Quando A Extensão Universitária (PET) Descobre O Coração Da Integração”

 Há alguns meses, minha companheira Margarita e eu (Nicole) tivemos uma oportunidade nascida do PET (Programa de Educação Tutorial). Para quem não conhece, o PET é uma iniciativa do Ministério da Educação do Brasil que vincula a universidade à comunidade. Por meio de bolsas, incentiva que grupos de estudantes (tutorados) desenvolvam atividades acadêmicas e de extensão, levando o conhecimento para além das salas de aula universitárias e aprendendo com a realidade social. Nossa missão dentro desse quadro era, a princípio, simples e concreta: realizar uma atividade de extensão artística com um grupo de crianças. O plano oficial era uma oficina de máscaras. A ideia era nos aproximar, compartilhar uma experiência criativa e cumprir aquele lindo objetivo do PET de criar pontes. Mas, como costuma acontecer quando o plano encontra a vida real, a atividade nos devolveu muito mais do que levamos. O cenário que encontramos: uma sala de aula vibrante onde conviviam o espanhol, o guarani e o português. Das 15 crianças de 8 e 9 anos, 7 manejavam dois ou três idiomas e 8 falavam principalmente português. Lá estávamos nós, com nossas máscaras e tintas, prontas para conduzir a atividade artística que havíamos planejado. O que aconteceu redefiniu nosso "plano de extensão". Ao dar as instruções em espanhol, Margarita e eu vimos algo que nenhum manual do PET poderia nos ter ensinado melhor. Não houve barreiras, mas pontes instantâneas. As crianças bilíngues se tornaram, sem que ninguém lhes pedisse, nossas colaboradoras naturais. Com uma naturalidade que nos deixou agradavelmente impactadas, traduziam e explicavam aos colegas em português: "Ela disse que temos que pintar primeiro" ou "podem colar assim". A orientação do PET de "extensão" tomou um significado literal. A atividade se estendeu horizontalmente, de criança para criança. A sala de aula se transformou em uma verdadeira oficina colaborativa, onde circulavam não apenas lantejoulas e cola, mas também explicações, ideias e uma dose surpreendente de ânimo e participação. E o idioma… o idioma foi a verdadeira "obra de arte". Embora o português fosse a corrente principal, nas conversas mais íntimas entre amigos paraguaios brotava o espanhol, misturando-se com naturalidade em um mesmo pensamento: "Este papel está legal!". Essa troca de código não era um obstáculo para o PET, era a evidência viva de um diálogo intercultural que já existia e que nossa atividade apenas evidenciou. Nossa reflexão: Fomos como facilitadoras de uma oficina, pensando no produto (as máscaras). Mas o PET, em sua essência, trata do processo de vinculação com a comunidade. E foi exatamente isso que vivemos. Entendemos que nosso papel não era apenas conduzir, mas observar e possibilitar a inteligência social que já fervilhava naquela sala. A "mediação linguística" e a colaboração que testemunhamos foram a melhor demonstração possível dos valores que a extensão universitária busca fomentar: solidariedade, inclusão e construção coletiva do saber. Esta experiência nos reafirmou algo profundo: programas como o PET são vitais, não apenas pelo que levam à comunidade, mas, sobretudo, pelo que recebem dela. Uma oficina artística revelou um modelo vivo de educação inclusiva e bilíngue, construído a partir da empatia das crianças. A diversidade linguística, longe de ser um problema a resolver, mostrou-se como o recurso pedagógico mais rico da sala de aula. 

 Para fechar este relato: podemos dizer que saímos do “núcleo da criança” com as mãos sujas de tinta e um punhado de máscaras coloridas, mas no coração levávamos algo muito mais valioso: uma história viva, que não cabe no formato de um relatório acadêmico, mas que pulsa com força em cada reunião do nosso grupo PET. Ensinou-nos que os verdadeiros objetivos da extensão universitária não se cumprem apenas ao "chegar" a uma comunidade, mas ao abrir os olhos e os ouvidos para receber o que ela tem a nos ensinar. As crianças nos mostraram como a colaboração real se constrói em gestos concretos: compartilhar uma palavra, uma explicação, um material. A oficina de máscaras foi o pretexto; a verdadeira atividade foi observar e registrar essa inteligência coletiva em ação. Vocês já tiveram uma experiência semelhante em atividades de extensão ou voluntariado onde os planos tomaram um rumo inesperado e maravilhoso? 

RESENHA CRÍTICA – Drug Discovery e Reposicionamento de Fármacos

RESENHA CRÍTICA – Drug Discovery e Reposicionamento de Fármacos 

A problemática atual de descobertas de novos fármacos inclui a descoberta de compostos líderes e a otimização de medicamentos, e esse é um processo longo, caro e de alto risco. Problemas de saúde pública e global, como as doenças como o câncer, diabetes, doença de Alzheimer e doença de Parkinson tornam a descoberta e o desenvolvimento de medicamentos cada vez mais críticos. A utilização de ferramentas computacionais (in silico) permite uma maior facilidade no processo de Drug Discovery, potencializando os resultados e diminuindo as limitações econômicas no relacionado à busca de soluções de tratamento dessas doenças. Dentre as ferramentas in silico com um alto potencial de impacto no desenvolvimento farmacológico pode-se mencionar o Computer-Aided Drug Design (CADD), o qual permite a transformação do processo de descoberta de fármacos ao acelerar o tempo de descoberta e prever parâmetros importantes, como a barreira hematoencefálica. Ele avalia diferentes propriedades biológicas de um alvo e fornece um novo design de compostos adequados para interagir com esse alvo. Utilizando duas abordagens metodológicas (baseadas em estrutura e em ligantes), o CADD pode mostrar como o composto interage com o alvo ou avaliar as propriedades físico-químicas e atividades de ligantes conhecidos para projetar novos compostos com atividades desejadas. Geralmente, ele usa algoritmos de construção para projetar novos compostos com alta probabilidade de serem ativos, sintetizáveis e sem propriedades indesejáveis (como a presença de valores indesejados na farmacocinética). O CADD pode ser usado antes do HTS (triagem de alto rendimento) para filtrar compostos potencialmente ativos em grandes bibliotecas (triagem virtual), o que reduz o número de compostos a serem sintetizados e testados, diminuindo consideravelmente o tempo de ensaio, a carga de trabalho, a utilização experimental de animais para ensaios in vivo e as despesas. Uma das limitações é que não consegue prever a funcionalidade sistêmica de um complexo biológico já que os sistemas biológicos tem uma infinidade de interações e é muito difícil o controle de todos esses parâmetros. Os avanços tecnológicos recentes no desenvolvimento de metodologias in silico permitem que estratégias como o reposicionamento de fármacos sejam consideradas como mais eficazes e sustentáveis, tornando elas como umas alternativas atraente economicamente em relação à descoberta de novas entidades químicas. O reposicionamento de fármacos visa descobrir novos benefícios terapêuticos de medicamentos existentes, ao vez de procurar agentes terapêuticos totalmente novos que podem ter altos custos ou longos tempos de teste e espera até serem aprovados, neste caso se utilizam medicamentos de baixo risco que já foram aprovados e tem passado por teste clínicos e toxicológicos o que diminui tempo e custos. Os medicamentos podem ser reutilizados em qualquer fase de desenvolvimento. No contexto da utilização de produtos naturais, sintéticos e ferramentas in silico para atingir melhores resultados no Drug discovery, a integração dessas metodologias cria uma estratégia otimizada devido a que os produtos naturais oferecem diversidade e inspiração molecular a partir da capacidade de isolar e purificar princípios ativos para criar bibliotecas de estruturas, usadas como base para compostos sintéticos e semissintéticos. As pequenas moléculas sintéticas, com o auxílio do HTS, permitem a exploração rápida e sistemática de vastos espaços químicos. E os métodos in silico (CADD) funcionam como uma ferramenta de inteligência preditiva, que refina a seleção de candidatos antes mesmo dos testes práticos, economizando recursos e direcionando os esforços para os resultados promissores ou poupando testes desnecessários. Então a combinação permite maximizar as chances de sucesso, minimizando o tempo e o custo associados a um processo longo e caro, ao mesmo tempo em que aborda a complexidade de identificar novos compostos químicos com potencial terapêutico. Falar de ferramentas computacionais atualmente implica falar da inteligencia artificial (IA), a qual demonstra vantagens no processo de análise molécular e farmacológico, sendo vista como uma ferramenta em ascensão. As pesquisas revelam que a aplicação da IA no processo de descoberta de novos fármacos pode acelerá-lo em até 2% e gerar economias anuais de até 28 bilhões de dólares no campo. Dentre os termos muitos relacionados à IA, o Machine Learning (ML) ganhou muita relevância na área nos últimos anos. O uso dos algoritmos de ML consiste no treinamento em grandes conjuntos de dados para aprendizado de regras, análise de novos dados, fazer previsões e decisões. No uso do ML existem três tipos principais: aprendizado supervisionado, no qual consiste em treinamento com dados rotulados; aprendizado não supervisionado, que consistem em reconhecimento de padrões ocultos e agrupamento; e por reforço, uma aprendizagem por interação com o ambiente. Os algoritmos tradicionais de ML são voltados para desempenhar papeis em diversas etapas, como triagem virtual baseada em estrutura de ligantes (um preditor de propriedades farmacológicas que avalia a semelhança do composto com moléculas ativas conhecidas, sendo vital para a estimativa da afinidade de ligação alvo-droga, prever atividades biológicas e propriedades ADMET), previsão de toxicidade, modelagem farmacodinâmica e reposicionamento de drogas. Já o Deep Learning (DL) é como um subconjunto do ML que utiliza redes neurais com estrutura hierárquica, sendo mais adequado para o tratamento com dados massivos e complexos. Algoritmos de DL são usados para a extração de características de dados, podendo gerar novos dados amostrais, incluindo por exemplo novas sequências moleculares, análise de informações baseadas em sequências ou séries temporais, e previsão de estruturas 3D de sequências de aminoácidos. No desenho das drogas (Drug Design) tanto o ML quanto o DL facilitam a compreensão da interação entre dados químicos e sistemas biológicos, esse impulsão que a IA fornece é a facilidade no desenho de novo de novos compostos ativos, na previsão de processos reacionais e na otimização de rotas sintéticas, ou seja, atuando diretamente na automação. Os principais desafios relacionados à confiabilidade e interpretação dos dados gerados pelo uso da IA consistem em cinco pontos principais. O primeiro é relacionado à complexidade biológica e sua relação com o ambiente controlado, visto que é complexa a ação das drogas em organismos vivos. O segundo consiste na qualidade e diversidade de dados, já que a eficácia dos modelos são influenciadas pela base de dados. Outro ponto é a interpretação de “caixas pretas”, ou seja, à falta de transparência em como certos algoritmos de ML chegam às suas previsões e decisões. Ademais, os modelos baseados em IA requerem frequentemente treinamentos extensivos e específicos, e é suscetível a erros de programação. O uso da IA através da integração de algoritmos de ML e DL contribuem de modo significativos para a superação das limitações tradicionais, especialmente no que concerne à eficiência, custo e inovação. A aplicação da IA pode acelerar o processo de desenvolvimento de novos fármacos. No screening de drogas, o virtual screening permite avaliar a triar extensas bibliotecas estruturais, superando a capacidade dos métodos tradicionais que são limitados a dezenas ou centenas de milhares de compostos. Ferramentas baseadas em DL aprimoram a precisão e a velocidade de técnicas, a predição da estrutura de alvos proteicos; no design de fármacos facilita o desenho de novo das moléculas ativas, a otimizar rotas sintéticas e automatizar processos. Essa eficiência aumentada pela IA e sua capacidade de identificar candidatos promissores com maior rapidez tem o potencial de gerar economias substanciais, reduzindo por exemplo custos com a necessidade de testes físicos em larga escala. No que tange à inovação, essas ferramentas possibilitam o desenho de novas moléculas ativas praticamente do zero, explorando um vasto espaço químico. A sugestão geral é que a IA atue, principalmente, como uma ferramenta complementar e de apoio. Os desafios que também surgem com o uso dessa ferramenta, como a complexidade da ação das drogas em organismos vivos, que não é totalmente replicado em simulações, as “caixas pretas”, e a susceptibilidade a erros de programação indicam que precisam de validação em sistemas biológicos e ensaios clínicos, e posicionam a IA mais como um complemento, que potencializa e guia a pesquisa experimental, do que como um substituto. A complexidade de ambientes biológicos relaciona-se com o risco dos modelos de IA, treinados em ambientes controlados, não conseguirem prever com maior precisão o comportamento das drogas nos organismos complexos. Portanto, a comunidade científica precisa enfatizar uma validação experimental rigorosa dos resultados gerados pelas ferramentas de IA, e em ensaios clínicos, sempre integrando o conhecimento biológico e farmacológico humano na interpretação dos resultados da IA. Ademais, os modelos de IA requerem grandes conjuntos de dados de alta qualidade e diversidade para fazerem uma análise eficaz, então uma estratégia de mitigação pode ser a promoção de partilha de dados entre instituições de pesquisa. O desenvolvimento de padrões para a qualidade e diversidade dos dados utilizados nos treinamentos da IA pode ser interessante, e o investimento em curadoria e pessoal especializado para gerenciar e analisar esses dados também são estratégias que podem auxiliar na mitigação de riscos. Sabe-se ainda que alguns modelos de DL são difíceis de interpretar, e investir no desenvolvimento de modelos que permitam que os pesquisadores entendam a lógica por trás das previsões feitas pode fazer a diferença na análises e diminuição dos erros de interpretação. Sendo a IA suscetível a erros de programação, a implementação de processos rigorosos de desenvolvimento de software, testes e validação dos algoritmos de IA podem aumentar a transparência no desenvolvimento desses algoritmos, e ser uma potencial ferramenta estratégica de mitigação. Para a maximização dos benefícios deve-se haver investimento e infraestrutura, colaborações interdisciplinares, integração abrangente de ferramentas, desenvolvimento de ferramentas especializadas e manter a continuidade das pesquisas. O poder computacional, profissionais qualificados, e o fomento para a criação de equipes multidisciplinares que unam cientistas de dados, químicos computacionais, biológicos moleculares, farmacologistas e médicos clínicos têm muito potencial para o avanço da era revolucionária de desenvolvimento de fármacos. 

Referencias ● Berdigaliyev & Aljofan. An overview of drug discovery and development. Future Med. Chem. 2020. DOI: 10.4155/fmc-2019-0307. ● WU et. al. The Role of Artificial Intelligence in Drug Screening, Drug Design, and Clinical Trials. 2024. DOI 10.3389/fphar.2024.1459954.

A problemática atual de descobertas de novos fármacos inclui a descoberta de compostos líderes e a otimização de medicamentos, e esse é um processo longo, caro e de alto risco. Problemas de saúde pública e global, como as doenças como o câncer, diabetes, doença de Alzheimer e doença de Parkinson tornam a descoberta e o desenvolvimento de medicamentos cada vez mais críticos. A utilização de ferramentas computacionais (in silico) permite uma maior facilidade no processo de Drug Discovery, potencializando os resultados e diminuindo as limitações econômicas no relacionado à busca de soluções de tratamento dessas doenças. Dentre as ferramentas in silico com um alto potencial de impacto no desenvolvimento farmacológico pode-se mencionar o Computer-Aided Drug Design (CADD), o qual permite a transformação do processo de descoberta de fármacos ao acelerar o tempo de descoberta e prever parâmetros importantes, como a barreira hematoencefálica. Ele avalia diferentes propriedades biológicas de um alvo e fornece um novo design de compostos adequados para interagir com esse alvo. Utilizando duas abordagens metodológicas (baseadas em estrutura e em ligantes), o CADD pode mostrar como o composto interage com o alvo ou avaliar as propriedades físico-químicas e atividades de ligantes conhecidos para projetar novos compostos com atividades desejadas. Geralmente, ele usa algoritmos de construção para projetar novos compostos com alta probabilidade de serem ativos, sintetizáveis e sem propriedades indesejáveis (como a presença de valores indesejados na farmacocinética). O CADD pode ser usado antes do HTS (triagem de alto rendimento) para filtrar compostos potencialmente ativos em grandes bibliotecas (triagem virtual), o que reduz o número de compostos a serem sintetizados e testados, diminuindo consideravelmente o tempo de ensaio, a carga de trabalho, a utilização experimental de animais para ensaios in vivo e as despesas. Uma das limitações é que não consegue prever a funcionalidade sistêmica de um complexo biológico já que os sistemas biológicos tem uma infinidade de interações e é muito difícil o controle de todos esses parâmetros. Os avanços tecnológicos recentes no desenvolvimento de metodologias in silico permitem que estratégias como o reposicionamento de fármacos sejam consideradas como mais eficazes e sustentáveis, tornando elas como umas alternativas atraente economicamente em relação à descoberta de novas entidades químicas. O reposicionamento de fármacos visa descobrir novos benefícios terapêuticos de medicamentos existentes, ao vez de procurar agentes terapêuticos totalmente novos que podem ter altos custos ou longos tempos de teste e espera até serem aprovados, neste caso se utilizam medicamentos de baixo risco que já foram aprovados e tem passado por teste clínicos e toxicológicos o que diminui tempo e custos. Os medicamentos podem ser reutilizados em qualquer fase de desenvolvimento. No contexto da utilização de produtos naturais, sintéticos e ferramentas in silico para atingir melhores resultados no Drug discovery, a integração dessas metodologias cria uma estratégia otimizada devido a que os produtos naturais oferecem diversidade e inspiração molecular a partir da capacidade de isolar e purificar princípios ativos para criar bibliotecas de estruturas, usadas como base para compostos sintéticos e semissintéticos. As pequenas moléculas sintéticas, com o auxílio do HTS, permitem a exploração rápida e sistemática de vastos espaços químicos. E os métodos in silico (CADD) funcionam como uma ferramenta de inteligência preditiva, que refina a seleção de candidatos antes mesmo dos testes práticos, economizando recursos e direcionando os esforços para os resultados promissores ou poupando testes desnecessários. Então a combinação permite maximizar as chances de sucesso, minimizando o tempo e o custo associados a um processo longo e caro, ao mesmo tempo em que aborda a complexidade de identificar novos compostos químicos com potencial terapêutico. Falar de ferramentas computacionais atualmente implica falar da inteligencia artificial (IA), a qual demonstra vantagens no processo de análise molécular e farmacológico, sendo vista como uma ferramenta em ascensão. As pesquisas revelam que a aplicação da IA no processo de descoberta de novos fármacos pode acelerá-lo em até 2% e gerar economias anuais de até 28 bilhões de dólares no campo. Dentre os termos muitos relacionados à IA, o Machine Learning (ML) ganhou muita relevância na área nos últimos anos. O uso dos algoritmos de ML consiste no treinamento em grandes conjuntos de dados para aprendizado de regras, análise de novos dados, fazer previsões e decisões. No uso do ML existem três tipos principais: aprendizado supervisionado, no qual consiste em treinamento com dados rotulados; aprendizado não supervisionado, que consistem em reconhecimento de padrões ocultos e agrupamento; e por reforço, uma aprendizagem por interação com o ambiente. Os algoritmos tradicionais de ML são voltados para desempenhar papeis em diversas etapas, como triagem virtual baseada em estrutura de ligantes (um preditor de propriedades farmacológicas que avalia a semelhança do composto com moléculas ativas conhecidas, sendo vital para a estimativa da afinidade de ligação alvo-droga, prever atividades biológicas e propriedades ADMET), previsão de toxicidade, modelagem farmacodinâmica e reposicionamento de drogas. Já o Deep Learning (DL) é como um subconjunto do ML que utiliza redes neurais com estrutura hierárquica, sendo mais adequado para o tratamento com dados massivos e complexos. Algoritmos de DL são usados para a extração de características de dados, podendo gerar novos dados amostrais, incluindo por exemplo novas sequências moleculares, análise de informações baseadas em sequências ou séries temporais, e previsão de estruturas 3D de sequências de aminoácidos. No desenho das drogas (Drug Design) tanto o ML quanto o DL facilitam a compreensão da interação entre dados químicos e sistemas biológicos, esse impulsão que a IA fornece é a facilidade no desenho de novo de novos compostos ativos, na previsão de processos reacionais e na otimização de rotas sintéticas, ou seja, atuando diretamente na automação. Os principais desafios relacionados à confiabilidade e interpretação dos dados gerados pelo uso da IA consistem em cinco pontos principais. O primeiro é relacionado à complexidade biológica e sua relação com o ambiente controlado, visto que é complexa a ação das drogas em organismos vivos. O segundo consiste na qualidade e diversidade de dados, já que a eficácia dos modelos são influenciadas pela base de dados. Outro ponto é a interpretação de “caixas pretas”, ou seja, à falta de transparência em como certos algoritmos de ML chegam às suas previsões e decisões. Ademais, os modelos baseados em IA requerem frequentemente treinamentos extensivos e específicos, e é suscetível a erros de programação. O uso da IA através da integração de algoritmos de ML e DL contribuem de modo significativos para a superação das limitações tradicionais, especialmente no que concerne à eficiência, custo e inovação. A aplicação da IA pode acelerar o processo de desenvolvimento de novos fármacos. No screening de drogas, o virtual screening permite avaliar a triar extensas bibliotecas estruturais, superando a capacidade dos métodos tradicionais que são limitados a dezenas ou centenas de milhares de compostos. Ferramentas baseadas em DL aprimoram a precisão e a velocidade de técnicas, a predição da estrutura de alvos proteicos; no design de fármacos facilita o desenho de novo das moléculas ativas, a otimizar rotas sintéticas e automatizar processos. Essa eficiência aumentada pela IA e sua capacidade de identificar candidatos promissores com maior rapidez tem o potencial de gerar economias substanciais, reduzindo por exemplo custos com a necessidade de testes físicos em larga escala. No que tange à inovação, essas ferramentas possibilitam o desenho de novas moléculas ativas praticamente do zero, explorando um vasto espaço químico. A sugestão geral é que a IA atue, principalmente, como uma ferramenta complementar e de apoio. Os desafios que também surgem com o uso dessa ferramenta, como a complexidade da ação das drogas em organismos vivos, que não é totalmente replicado em simulações, as “caixas pretas”, e a susceptibilidade a erros de programação indicam que precisam de validação em sistemas biológicos e ensaios clínicos, e posicionam a IA mais como um complemento, que potencializa e guia a pesquisa experimental, do que como um substituto. A complexidade de ambientes biológicos relaciona-se com o risco dos modelos de IA, treinados em ambientes controlados, não conseguirem prever com maior precisão o comportamento das drogas nos organismos complexos. Portanto, a comunidade científica precisa enfatizar uma validação experimental rigorosa dos resultados gerados pelas ferramentas de IA, e em ensaios clínicos, sempre integrando o conhecimento biológico e farmacológico humano na interpretação dos resultados da IA. Ademais, os modelos de IA requerem grandes conjuntos de dados de alta qualidade e diversidade para fazerem uma análise eficaz, então uma estratégia de mitigação pode ser a promoção de partilha de dados entre instituições de pesquisa. O desenvolvimento de padrões para a qualidade e diversidade dos dados utilizados nos treinamentos da IA pode ser interessante, e o investimento em curadoria e pessoal especializado para gerenciar e analisar esses dados também são estratégias que podem auxiliar na mitigação de riscos. Sabe-se ainda que alguns modelos de DL são difíceis de interpretar, e investir no desenvolvimento de modelos que permitam que os pesquisadores entendam a lógica por trás das previsões feitas pode fazer a diferença na análises e diminuição dos erros de interpretação. Sendo a IA suscetível a erros de programação, a implementação de processos rigorosos de desenvolvimento de software, testes e validação dos algoritmos de IA podem aumentar a transparência no desenvolvimento desses algoritmos, e ser uma potencial ferramenta estratégica de mitigação. Para a maximização dos benefícios deve-se haver investimento e infraestrutura, colaborações interdisciplinares, integração abrangente de ferramentas, desenvolvimento de ferramentas especializadas e manter a continuidade das pesquisas. O poder computacional, profissionais qualificados, e o fomento para a criação de equipes multidisciplinares que unam cientistas de dados, químicos computacionais, biológicos moleculares, farmacologistas e médicos clínicos têm muito potencial para o avanço da era revolucionária de desenvolvimento de fármacos. 

Referencias ● Berdigaliyev & Aljofan. An overview of drug discovery and development. Future Med. Chem. 2020. DOI: 10.4155/fmc-2019-0307. ● WU et. al. The Role of Artificial Intelligence in Drug Screening, Drug Design, and Clinical Trials. 2024. DOI 10.3389/fphar.2024.1459954.