O progresso científico está acelerando rapidamente, com novas descobertas acontecendo todos os dias. A CAS possui uma visão única do cenário científico, tanto histórico quanto atual, permitindo insights sobre as tendências emergentes para acompanhar este ano. Recentemente, especialistas do Lawrence Livermore National Laboratory, The Ohio State University, Oak Ridge National Laboratory e da CAS reuniram-se para um webinar em 25 de janeiro para destacar os avanços científicos e as tendências para acompanhar em 2024.
Descubra os desenvolvimentos mais recentes sobre como lidar com alvos "indrogáveis", o impacto da IA em P&D, a ascensão dos biomateriais, técnicas de armazenamento de energia e inovações em energia de fusão assistindo a este webinar. Obtenha mais insights valiosos sobre novas tendências em nosso artigo recente.
Principais destaques do webinar
Para iniciar a discussão, Janet apresentou avanços importantes e tendências emergentes sobre como lidar com alvos "indrogáveis". Foram abordadas doenças neurodegenerativas, avanços farmacêuticos para a doença de Alzheimer e um avanço na validação de biomarcadores para a doença de Parkinson. Esses avanços, baseados nas causas biológicas da doença, são fundamentais na jornada rumo à cura. Conjugados anticorpo-fármaco (ADCs) também foram explorados como uma abordagem na pesquisa e desenvolvimento de agentes antitumorais. As tendências de publicação de patentes de ADCs aumentaram rapidamente nos últimos anos, à medida que pesquisadores encontraram opções para tratar alvos anteriormente "indrogáveis" para cânceres e outras doenças.
O Dr. Jonathan Allen continuou a discussão compartilhando sua experiência com IA e aprendizado de máquina na descoberta de fármacos. Recentemente, aumentar a capacidade de automatizar a síntese de novas entidades biológicas e de pequenas moléculas tornou-se uma tendência emergente fundamental e está mudando o paradigma da busca por novos produtos farmacêuticos. O uso de IA e aprendizado de máquina está ajudando a avaliar possíveis alvos de medicamentos e a prever como novos fármacos reagirão dentro do corpo humano. Por fim, foram discutidos exemplos de sucesso clínico, incluindo pedidos de novos medicamentos experimentais de pequenas moléculas, potência do alvo, perfis farmacocinéticos promissores, redesenho de anticorpos e previsão de dobramento de proteínas.
Na interseção da biomedicina e da ciência dos materiais, o Dr. Kevin Hughes discutiu a inovação nesta área e um método quantitativo para revisar tendências emergentes. A análise da CAS Content Collection™ revelou oito áreas principais com o crescimento mais rápido dentro do campo dos biomateriais. Esses tópicos incluíram biomateriais autorregenerativos, materiais à base de lipídios e bioinks, entre outros. Completando a conversa, houve uma análise de tendências mais aprofundada para biomateriais programáveis, que revelou os estímulos de biomateriais mais frequentes usados tanto em periódicos quanto em publicações de patentes.
O Dr. Yiying Wu direcionou o webinar para o campo dos materiais, discutindo tendências no armazenamento de energia em baterias. Muitas novas tendências em baterias foram observadas recentemente, com baterias de íon-lítio, baterias de estado sólido, baterias à base de sódio e potássio, baterias de enxofre e até mesmo baterias de oxigênio. Cada uma delas desenvolve ou ajuda a resolver um desafio sob a perspectiva da química celular. Além da química celular, as tecnologias de fabricação, cadeias de suprimentos, reciclagem de baterias e segurança concluíram a discussão.
O Dr. Arnold Lumsdaine encerrou o webinar com o tema energia de fusão. Ele começou com um chamado à ação, afirmando que o futuro da civilização depende da energia e da necessidade urgente de fontes de energia livres de carbono para atender às crescentes demandas mundiais. Muitos eventos, incluindo melhorias científicas, mentalidade e vontade política, avanços tecnológicos, manufatura avançada, computação de alto desempenho, avanços em materiais e investimentos privados significativos, estão levando a energia de fusão a uma nova era. Os processos de energia de fusão foram então destacados, juntamente com os desafios na física de plasma, materiais e engenharia.
Para encerrar, os participantes fizeram muitas perguntas, desde a diferença fundamental entre IA e aprendizado de máquina até como a energia de fusão e as baterias de íon-lítio se encaixam em um futuro mais verde com carros elétricos. Em suma, este painel destacou muitos tópicos emergentes que valem a pena acompanhar para ajudar a moldar futuras oportunidades de P&D.
As principais perguntas do webinar estão abaixo para referência:
Quais são as diferenças fundamentais entre inteligência artificial (IA) e aprendizado de máquina?
- O aprendizado de máquina está focado na resolução de problemas específicos do passado (modelos estatísticos baseados em dados focados em prever uma propriedade específica); a IA seria um superconjunto disso, em teoria, aumentando o que a pessoa faz.
- Um exemplo comparativo seria um químico de IA, que seria um sistema capaz de propor novas moléculas e decidir quais moléculas fabricar e testar, enquanto o modelo de aprendizado de máquina avaliaria o sucesso do sistema na execução dessas tarefas.
A caixa de dobramento de biomateriais foi publicada em 2011. Houve alguma atualização sobre a aplicação ou progresso desde então?
- Destacaria duas áreas principais de progresso desde então:
- Impressão 3D com materiais responsivos a estímulos, o que levou ao surgimento do novo campo da "impressão 4D".
- O uso de nanomateriais para gerar novos tipos de resposta a estímulos. Um bom exemplo disso é o desenvolvimento de um "nadador" de hidrogel biomimético que oscila em resposta à luz visível, integrando nanopartículas de ouro fototermicamente ativas com poli(N-isopropilacrilamida) termossensível.
Como o trabalho com baterias de lítio ou energia de fusão se encaixa nos planos dos EUA de incentivar o maior uso de veículos elétricos?
- Algumas limitações precisam ser superadas antes que mais aplicações de veículos elétricos se tornem comuns, como preocupações com a mineração, tempos de carregamento das baterias e os efeitos de condições extremas nas baterias.
- A fusão será uma fonte de eletricidade livre de carbono. No entanto, como o lítio é um elemento necessário no ciclo de combustível da fusão (para gerar trítio), o fornecimento de lítio pode se tornar um problema.
Como essa energia é fornecida atualmente para VEs (ex.: carvão ou ???) e como será fornecida no futuro?
- Os veículos elétricos são tão limpos quanto a rede da qual retiram energia; portanto, se a rede utiliza 100% de carvão e gás natural, os veículos elétricos não são limpos nem neutros em carbono.
- Atualmente, os Estados Unidos utilizam combustíveis fósseis, energia nuclear, energia renovável e outras fontes para abastecer sua rede, sendo a energia de fusão uma possibilidade futura. Descubra mais sobre o futuro da energia nuclear, energia de hidrogênio e reciclagem de baterias de íon-lítio em nosso artigo recente de Insights.
Alguém está estudando nanotecnologia biológica, como exossomos?
- Sim, os exossomos estão sendo estudados por seu uso como sistemas de entrega de medicamentos e por seu potencial terapêutico. Empresas de terapias com exossomos estão pesquisando o tratamento de doenças como câncer, doenças neurológicas, doenças pulmonares e cicatrização de feridas, entre outras. Leia mais sobre exossomos e suas oportunidades emergentes em nosso recente Relatório de Insights da CAS, baseado em uma recente publicação revisada por pares na ACS Nano.
Existe alguma pesquisa que mostre uma comparação geral entre a eficiência do uso de IA generativa para auxiliar no processo de triagem de novos medicamentos versus o HTS tradicional? (uma comparação, talvez, entre resultados determinados com a ajuda de IA/ML versus resultados via HTS)
- Seria ótimo ver uma comparação rigorosa lado a lado, o que ainda não vimos e seria difícil. No lado da triagem de alto rendimento, o uso de bibliotecas codificadas por DNA, onde testes combinatórios podem ser feitos com bilhões de substâncias químicas, está sendo realizado. Ao fazer isso, sempre há a opção de construir um modelo de aprendizado de máquina que aprenda com os dados de HTS e ajude a classificar os resultados, combinando esses dois métodos para trabalharem juntos e produzirem melhores resultados.
Veja a gravação e os slides associados do webinar aqui.
