Inovação obtém informações de substâncias pouco conhecidas e estabelece referências para drogas ainda não detectadas
A batalha contra o rápido surgimento e popularização de Novas Substâncias Psicoativas (NPS, do inglês novel psychoactive substances) – projetadas para driblar a legislação ao imitar efeitos das tradicionais em fórmulas químicas diferentes – ganha um aliado que usa tecnologia de ponta. Equipe do Departamento de Química da Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP) da USP anuncia ter criado uma ferramenta capaz de analisar substâncias químicas e reconhecer as novas drogas utilizando química computacional e aprendizagem de máquina (do inglês machine learning).
Responsável pelo estudo que deu origem à inovação, o pesquisador Christiano dos Santos desenvolveu algoritmos a partir de informações de espectros de infravermelho (tecnologia que identifica composição de uma amostra) de 75 substâncias de cinco categorias de NPS. Com os dados, aplicou aprendizado de máquina por meio de um software que classifica os espectros e prevê a substância contida na amostra.
Os resultados dos testes com a nova ferramenta, publicados na edição de maio da Psychoatives, mostraram “excelente desempenho, com precisão, especificidade e sensibilidade acima de 90%, permitindo um melhor entendimento e previsão das propriedades de moléculas e materiais”, informa Santos.
Para a orientadora da pesquisa, a professora Aline Thais Bruni, os profissionais da área têm agora em mãos uma ferramenta poderosa na identificação e análise de substâncias químicas, podendo enfrentar o desafio relacionado ao surgimento acelerado das NPS. Segundo ela, será possível implementar procedimentos de monitoramento que ajudem a desvendar casos complexos relacionados ao tráfico de drogas e a entender melhor as substâncias envolvidas.
A ideia também é que os dados espectroscópicos coletados pelo estudo sejam disponibilizados em uma biblioteca aos profissionais – forenses e outros – que trabalham com análises dessas substâncias químicas. “Essa pode ser uma orientação crucial na tomada de decisão sobre as análises, permitindo identificar com maior confiabilidade a estrutura química que está sendo investigada”, acrescenta Aline Bruni.
Ferramenta é treinada para identificar padrões nos dados
A equipe utilizou métodos computacionais (ou in silico) para obter o espectro infravermelho das substâncias presentes nos cinco grupos estudados, dentre eles as anfetaminas e os canabinoides. Foram obtidos dados de espectroscopia de infravermelho utilizando a Teoria do Funcional da Densidade (DFT, do inglês Density Functional Theory), técnica usada para entender a estrutura dos átomos e moléculas usando a densidade dos elétrons. Os métodos, diz a professora Aline Bruni, representam uma alternativa para conseguir informações de espectros de substâncias pouco conhecidas e “podem, inclusive, auxiliar a criar referências para potenciais drogas, que ainda não foram detectadas.”
Já o treinamento da ferramenta contou com uso de duas aproximações de machine learning: aprendizagem não supervisionada, em que os algoritmos identificam padrões nos dados, e supervisionada, na qual há treinamentos por meio de conjuntos conhecidos de amostras. Assim, “os modelos classificatórios gerados pela aprendizagem de máquina podem fornecer um diagnóstico inicial sobre a que grupo pertencem esses compostos”, informa a professora.
