Pesquisadores do Instituto Wyss de Engenharia Biologicamente Inspirada da Universidade de Harvard identificaram novos compostos antibióticos eficazes contra Neisseria gonorrhoeae multirresistente usando aprendizado profundo, de acordo com um estudo publicado quarta-feira na Science Translational Medicine. O desenvolvimento surge no meio de preocupações crescentes sobre a resistência da gonorreia aos tratamentos actuais, com a Organização Mundial de Saúde a designar a N. gonorrhoeae como um agente patogénico de alta prioridade. Em 2023, Massachusetts relatou o primeiro caso de gonorreia nos EUA exibindo resposta reduzida a cinco classes de antibióticos.
A equipe de pesquisa utilizou redes neurais de passagem de mensagens direcionadas para rastrear extensas bibliotecas químicas em busca de moléculas com atividade antigonocócica. Eles identificaram candidatos distintos dos antibióticos existentes. Este trabalho baseia-se em descobertas anteriores de antibióticos usando métodos de aprendizagem profunda no Wyss Institute e no MIT, incluindo compostos eficazes contra MRSA publicados na Nature em 2023 e uma estrutura de IA generativa que produz outros compostos contra MRSA e gonorreia.
Pela primeira vez, o novo estudo validou seus compostos principais usando a tecnologia microfluídica Organ Chip do Wyss Institute, especificamente um chip de vagina humana que replica o microambiente do tecido vaginal, juntamente com um modelo de infecção vaginal de camundongo. Esta validação representa um avanço metodológico nos testes pré-clínicos de antibióticos, permitindo a avaliação da eficácia num sistema que imita mais de perto a fisiologia humana em comparação com culturas celulares padrão.
As descobertas contribuem para uma tendência de candidatos a antibióticos baseados em IA passarem por estágios de validação pré-clínica. Dois antibióticos para gonorreia, gepotidacina e zoliflodacina, receberam aprovação da FDA no final de 2025, marcando os primeiros novos medicamentos para a doença em décadas. Permanece incerto se os compostos recentemente identificados irão progredir para ensaios clínicos. A combinação de aprendizagem profunda com validação de órgão em chip oferece um pipeline mais rápido para identificar e testar possíveis tratamentos para patógenos resistentes.
