.avif)
A descoberta científica sempre dependeu de dados bons e limpos. Dados ruins levam a resultados irreprodutíveis, soluções problemáticas e, por fim, à necessidade de revisar e adquirir dados melhores. Agora que os modelos preditivos baseados em IA estão se tornando mais comuns nos fluxos de trabalho iniciais de descoberta de medicamentos, a importância de dados precisos e consistentes em todos os fluxos de pesquisa nunca foi tão grande.
Dados desorganizados continuam sendo um desafio persistente na descoberta moderna de medicamentos, fazendo com que os cientistas gastem um tempo considerável resolvendo inconsistências na nomenclatura de entidades, detectando formatos de banco de dados incompatíveis e corrigindo erros. As máquinas têm dificuldade em lidar com as nuances de conjuntos de dados complexos porque não possuem a compreensão contextual necessária para interpretar ambiguidades e inconsistências. Cientistas humanos são frequentemente encarregados de identificar e, em seguida, retificar problemas ocultos em dados que a tecnologia não está equipada para resolver suficientemente.
Para as equipes de descoberta de medicamentos, dados desorganizados criam um efeito cascata, levando os pesquisadores a projetar experimentos e construir modelos baseados em suposições falhas ou informações incompletas, desperdiçando recursos valiosos. É aqui que os processos complementares de limpeza e harmonização de dados desempenham um papel fundamental na otimização dos fluxos de trabalho, cada um abordando desafios distintos, porém interconectados.
- Limpeza de dados: O processo de ter especialistas para identificar e corrigir erros, preencher valores ausentes e remover informações irrelevantes para garantir precisão e confiabilidade dentro de conjuntos de dados individuais
- Harmonização de dados: A integração humana de informações de múltiplas fontes, padronizando-as e unificando-as em uma estrutura coesa para permitir análise, comparabilidade e colaboração contínuas
O segredo para uma limpeza e harmonização bem-sucedidas reside na curadoria humana.
Limpeza de dados, o primeiro passo crítico
Antes que os cientistas possam harmonizar os dados, eles devem limpá-los. Ao eliminar os erros que surgem da entrada de dados, erros de cálculo, mau funcionamento de sensores ou falhas no sistema, os cientistas podem construir a base de dados necessária para a harmonização. As equipes que dependem de dados devidamente limpos obtêm:
- Precisão aprimorada, garantindo que as descobertas extraídas desses dados sejam confiáveis e reproduzíveis, levando a candidatos a medicamentos de alta qualidade.
- Maior eficiência, reduzindo o tempo gasto na solução de problemas e na reexecução de análises devido a erros.
- Colaboração aprimorada, facilitando um melhor trabalho em equipe entre grupos, instituições e setores ao eliminar discrepâncias entre conjuntos de dados.
- Poder preditivo refinado, usando os dados limpos resultantes para construir a base para modelos preditivos que podem prever com precisão interações fármaco-alvo, relações de doenças e muito mais.
A harmonização sem a devida limpeza de dados é como construir sobre areia movediça — frágil e insustentável. Quando os cientistas limpam os dados, eles garantem que apenas as informações mais relevantes e confiáveis sejam incorporadas aos processos subsequentes, proporcionando uma visão precisa do cenário de pesquisa e uma base de dados sólida.
Uma abordagem estruturada para uma harmonização de dados bem-sucedida
A harmonização de dados (Figura 1) começa com o estabelecimento de construtos de autoridade e padrões de nomenclatura. Por exemplo, esse trabalho minucioso garante que entidades como proteínas sejam nomeadas e categorizadas uniformemente em todas as fontes e conjuntos de dados para fins de desenvolvimento de medicamentos, a fim de permitir a identificação de alvos.
A próxima fase na harmonização é a vinculação de substâncias, na qual os cientistas identificam e conectam referências à mesma substância química em conjuntos de dados ou bancos de dados díspares. Esse processo unifica diferentes representações, sinônimos e identificadores de substâncias em uma entidade única e consistente. Esse esforço é essencial para a farmacologia e a descoberta de medicamentos, onde convenções variadas entre fontes frequentemente resultam na descrição do mesmo composto de maneiras diferentes.
Mais adiante no processo de harmonização, os cientistas de dados identificam e gerenciam documentos exatos e relacionados, evitando a duplicação de dados e garantindo que apenas as informações mais relevantes sejam retidas. A etapa final concentra-se em garantir a consistência das definições de dados entre os conjuntos de dados, o que é essencial para produzir uma base coesa construída com dados de múltiplas fontes.
Equipes de descoberta de fármacos podem navegar por cenários de dados complexos com confiança ao implementar um fluxo de trabalho de harmonização potencializado por curadoria humana, resultando em conjuntos de dados confiáveis preparados para análises avançadas e modelagem preditiva. Essa abordagem sistemática minimiza erros e garante que toda a pesquisa subsequente seja construída sobre uma base de dados sólida e limpa.
Dados harmonizados aumentam a precisão de modelos preditivos
Um dos benefícios mais tangíveis da harmonização de dados é seu impacto em modelos preditivos. Para demonstrar o efeito positivo na precisão das previsões, cientistas da CAS usaram um conjunto de dados recém-harmonizado para treinar novamente um modelo de conjunto existente que prevê a atividade de um par ligante-alvo.
O modelo retreinado demonstrou melhorias significativas de precisão, reduzindo o desvio padrão entre os resultados previstos e experimentais em 23% e diminuindo a discrepância nas interações ligante-alvo previstas versus experimentais em 56% (Figura 2). Ao normalizar o nome do alvo e melhorar a vinculação de substâncias, os cientistas aprimoraram os dados para descrever a relação entre uma substância e seu alvo de forma mais consistente e precisa.
Essa modelagem preditiva ressalta o papel essencial da harmonização humana de dados no refinamento do desempenho do modelo. Ao identificar e focar nos candidatos mais promissores logo no início do processo de triagem, as equipes podem avançar mais rapidamente pela fase de hit-to-lead e prosseguir com o desenvolvimento e os ensaios.
Dados harmonizados impulsionam análises avançadas
A harmonização de dados também otimiza modelos preditivos e ferramentas analíticas avançadas, como grafos de conhecimento e redes de interação, que impulsionam fluxos de trabalho inovadores de descoberta de fármacos (Figura 3). Essas ferramentas ajudam os pesquisadores a explorar relações entre alvos, substâncias e vias biológicas para identificar associações a doenças e novas modalidades terapêuticas.
Uma base de dados unificada e com curadoria humana permite que cientistas rastreiem interações complexas em vários níveis biológicos — como expressão gênica, interações proteicas e vias metabólicas — fornecendo insights que, de outra forma, seriam obscurecidos por fontes de dados fragmentadas. Essa abordagem melhora a precisão da descoberta de fármacos e acelera a identificação de oportunidades de reposicionamento de medicamentos, ao revelar conexões ocultas entre compostos estabelecidos e alvos terapêuticos emergentes.
A curadoria humana forma a base da inovação
Sem a capacidade de compreender nuances contextuais, as máquinas têm dificuldade em lidar adequadamente com a ambiguidade e as inconsistências inerentes aos conjuntos de dados biológicos. Profissionais qualificados desempenham um papel vital ao reconhecer variações sutis, resolver erros e alinhar dados para garantir precisão e relevância de maneiras que sistemas automatizados não conseguem. Esse processo é vital para quem realiza pesquisas científicas e para organizações que prestam serviços relacionados. Por exemplo, centenas de cientistas da CAS limpam, harmonizam e fazem a curadoria dos dados usados para construir a CAS Content Collection™, a maior coleção mundial de conhecimento científico com curadoria humana.
Esse esforço compensa com maior confiabilidade das análises subsequentes e a aceleração da descoberta de potenciais alvos de fármacos e tratamentos eficazes para doenças.
Quando aplicados a modelos preditivos e ferramentas avançadas como diagramas de rede, os dados harmonizados com curadoria humana impulsionam avanços nas ciências da vida e além. À medida que as organizações continuam a priorizar a limpeza de dados na pesquisa, elas podem garantir a qualidade de suas descobertas e acelerar a inovação.
