[Inovação]
Porque Big Data é crucial para a Indústria Farmacêutica
28 de Outubro de 2024
Quando se trata de investir em Big Data, provavelmente, nenhuma outra indústria tem tanto em risco quanto a farmacêutica. A tecnologia não apenas fornece a base para a pesquisa e a descoberta de novos medicamentos, mas também ajuda pacientes e cuidadores a tomarem melhores decisões. A modelagem preditiva de dados combinada com a visualização rica dos mesmos pode diminuir substancialmente os gastos com a descoberta de medicamentos e facilitar a tomada de decisões na área da saúde em geral.
Diminuindo o custo da descoberta de medicamentos
A descoberta de medicamentos pode levar imensas quantidades de tempo e recursos. As drogas usadas para combater a esclerose lateral amiotrófica (ELA), por exemplo, não estão sendo desenvolvidas, apesar dos 140 mil novos casos de ELA serem diagnosticados a cada ano em todo o mundo. Isso ocorre porque os custos de desenvolvimento dos medicamentos superam a demanda, o que significa que esse investimento não compensaria.
Big Data e Machine Learning podem ser essenciais para reduzir esses custos, transferindo o experimento de pesquisadores clínicos para uma combinação de IA, software complexo e computadores poderosos para minimizar o tempo necessário para os ensaios clínicos. Isso, por sua vez, diminuiria drasticamente a quantidade de pesquisas necessárias, reduzindo significativamente os custos para os fabricantes e, como resultado, os pacientes.
As interações entre drogas e proteínas, uma área que permanece um mistério há algum tempo, é outro exemplo de como Big Data pode ser aplicado à indústria farmacêutica. A resolução de estruturas proteicas consome muito tempo e recursos devido ao grande número de estruturas existentes e a seus diferentes efeitos quando combinados com diferentes medicamentos.
Além de testar a eficácia de um novo medicamento, os pesquisadores devem testar para garantir que o medicamento não prejudique os pacientes. Esses múltiplos fatores criam pesquisas que se tornam extremamente demoradas e impraticáveis à luz dos recursos disponíveis.
Na Universidade Carnegie Mellon, foi desenvolvido um experimento de Machine Learning que analisaria os resultados de diferentes interações medicamentosas com proteínas. Sem modelagem computacional, a previsão de estruturas de proteínas é bastante difícil, pois existem quase 15 mil famílias de proteínas no banco de dados. Os dados foram divididos em vários conjuntos, cada um com diferentes níveis de entendimento de sua estrutura proteica.
Do total de 9.216 experimentos, cerca de um terço foi concluído por meio do sistema automatizado e pelos resultados previstos pela máquina. Os resultados deste segmento tiveram uma taxa de precisão de 92% e os cientistas puderam recebê-los muito mais rapidamente do que se tivessem sido realizados em um laboratório clínico.
Como a precisão dos resultados combinados à automação economiza um valioso tempo de pesquisa manual, essas técnicas de Machine Learning podem ser aplicadas a uma variedade de exames médicos que acabariam por ajudar a reduzir os custos associados à pesquisa de medicamentos.
Tomada de decisão
Big Data não apenas ajuda a diminuir os custos de descoberta e fabricação de medicamentos, mas também pode ser usado para ajudar agências governamentais de saúde e fornecedores a tomar decisões importantes.
Uma empresa líder em biotecnologia, a Genentech, previu as vantagens de Big Data e investiu na construção de uma poderosa infraestrutura da tecnologia. Os cientistas de dados que trabalham na indústria farmacêutica enfrentam o desafio de coletar dados que lhes dão respostas para importantes questões de pesquisa – as mesmas perguntas que visam apoiar a pesquisa e o desenvolvimento de medicamentos.
É apenas uma vez que eles têm esse tipo de dados que eles podem usá-lo para obter uma melhor compreensão dos muitos tratamentos possíveis para pacientes. Eles podem usar essas informações para desenvolver um melhor tratamento individual e aplicar o que aprenderam nas futuras decisões de desenvolvimento de medicamentos.
O Instituto Nacional do Câncer coletou 4,1 petabytes (1 petabyte equivale a 1 milhão de gigabytes) de dados de 14 mil casos de pacientes anônimos. O projeto Genomic Data Commons (GDC) visa permitir o compartilhamento de dados entre estudos genômicos em apoio à medicina de precisão. É necessária uma grande quantidade de dados para entender a assinatura genômica exata necessária para a combinação certa de medicamentos para combater o tumor.
O GDC é o maior repositório de dados sobre câncer do mundo, fornecendo-os de forma didática para a comunidade de pesquisa em geral. O projeto também permite que outras pessoas construam dados comuns que podem escalar o tamanho do GDC.
Um projeto, o BloodPAC, construiu uma base de dados para biópsias líquidas. A ideia é que, quando os pacientes forem tratados, seu sangue será coletado e o DNA celular no sangue ajudará os pesquisadores a entender sua reação à quimioterapia e se o tratamento precisa ou não mudar. Os dados também podem esclarecer como os tumores crescem, se certos tumores são semelhantes e os diferentes genes ou proteínas que devem ser direcionados – todas as informações necessárias para desenvolver novos medicamentos para cada situação específica.
Um futuro brilhante pela frente
Seja um aplicativo para medicamentos de precisão, diminuindo as taxas de falhas em ensaios com medicamentos ou reduzindo o custo de pesquisas e desenvolvimento de melhores medicamentos, Big Data tem um futuro brilhante para a indústria farmacêutica. A capacidade de pesquisadores de todo o mundo contribuírem com seus próprios conjuntos de dados para grandes projetos também é fundamental. Para o bem e para o mal, os humanos estão criando mais e mais dados todos os dias, o que significa que, com o passar do tempo, esses projetos reunirão mais insights, levando a aplicações cada vez melhores no campo da medicina para todos. Será emocionante ver o que o futuro trará.