Reposicionamento de fármacos guiado por aprendizado de máquina para câncer de mama HER2-positivo

Por que remédios antigos para cânceres difíceis importam

Para muitas pessoas com uma forma agressiva de câncer de mama chamada HER2 positivo, os medicamentos alvo atuais podem perder eficácia ao longo do tempo, e desenvolver novas drogas é lento e caro. Este estudo investiga se alguns dos milhares de comprimidos já nas prateleiras das farmácias podem, secretamente, bloquear tumores dirigidos por HER2, usando ferramentas computacionais avançadas para procurar potencial anticâncer oculto.

Entendendo o problema em termos simples

O câncer de mama HER2 positivo é impulsionado por uma proteína na superfície das células cancerígenas que continua enviando sinais fortes para crescer e se dividir. Quando há excesso de HER2, essas células se multiplicam rapidamente e frequentemente se espalham, além de poderem aprender a contornar os medicamentos modernos contra HER2. Como criar medicamentos totalmente novos pode levar uma década ou mais, a ideia de reposicionamento de fármacos torna-se atraente: em vez de recomeçar do zero, cientistas testam se drogas aprovadas existentes, já conhecidas por serem seguras para outras doenças, também podem desligar o HER2 em células cancerígenas.

Como computadores ajudam a vasculhar milhares de medicamentos

Os pesquisadores primeiro reuniram informações detalhadas sobre quase 14.000 compostos químicos testados contra o HER2, incluindo quão fortemente cada um bloqueava a proteína. Eles converteram cada molécula em centenas de características numéricas que descrevem tamanho, forma, carga e outras propriedades. Usando esses dados, treinaram vários tipos de modelos de aprendizado de máquina para aprender a ligação entre a estrutura de uma molécula e sua capacidade de inibir o HER2. Após limpar cuidadosamente os dados e eliminar características fracas ou redundantes, um tipo de modelo chamado Random Forest apresentou as previsões mais confiáveis, explicando corretamente cerca de quatro quintos da variação de atividade para moléculas novas.

Da predição ao acoplamento no alvo do câncer

Munido desse modelo, a equipe recorreu a uma biblioteca real de 4.099 fármacos aprovados e reduziu a lista para mais de 1.600 pequenas moléculas limpáveis e bem definidas. O modelo computacional estimou quão fortemente cada medicamento poderia bloquear o HER2, destacando um subconjunto previsto como especialmente potente. Esses candidatos de ponta foram então “acoplados” em estruturas tridimensionais da proteína HER2 normal e de uma forma mutante problemática encontrada em alguns cânceres resistentes. As simulações de acoplamento atuam como um teste virtual de chave e fechadura, verificando quão bem um fármaco se encaixa no bolso ativo do HER2 e que tipos de contatos a nível atômico ele pode formar.

Acompanhando o candidato mais promissor ao longo do tempo

Um medicamento para coração e olhos, maleato de timolol (rotulado como FDA0870 no estudo), destacou-se repetidamente. Ele figurou entre os melhores colocados tanto na triagem por aprendizado de máquina quanto nos testes de acoplamento para o HER2 normal e mutante, formando fortes ligações de hidrogênio e contatos hidrofóbicos com regiões-chave que controlam a atividade da proteína. Para ver se esse encaixe resistiria em condições mais realistas, os pesquisadores executaram longas simulações de dinâmica molecular que imitam como as moléculas balançam e se movem em um ambiente aquoso semelhante ao do corpo. Ao longo de nano- a microsegundos de tempo simulado, o timolol permaneceu firmemente alojado no bolso do HER2 em ambas as formas da proteína. Testes computacionais adicionais de absorção, distribuição, metabolismo, excreção e toxicidade sugeriram que seu perfil farmacológico já conhecido, permeabilidade moderada e segurança eram, em geral, adequados para exploração futura.

O que isso pode significar para os pacientes

Em linguagem cotidiana, este trabalho mostra que pipelines computacionais inteligentes podem filtrar enormes quantidades de medicamentos conhecidos para encontrar os mais prováveis de funcionar contra cânceres difíceis, muito antes de qualquer teste em laboratório ou em animais começar. Entre os muitos fármacos aprovados examinados, o timolol surgiu como um forte candidato a ser reposicionado como bloqueador duplo tanto do HER2 padrão quanto do mutante no câncer de mama. Embora os resultados sejam puramente computacionais e ainda precisem ser confirmados por experimentos em células e animais, eles apontam para uma rota mais rápida e potencialmente mais barata para adicionar novas ferramentas contra a doença HER2 positiva, dando a medicamentos familiares um novo papel.

Citação: Dinesh, B.G.H., Ganjipete, S., Kumar, B.S. et al. Machine learning-driven drug repurposing for HER2-positive breast cancer. Sci Rep 16, 15868 (2026). https://doi.org/10.1038/s41598-026-45361-z

Palavras-chave: Câncer de mama HER2 positivo, reposicionamento de fármacos, aprendizado de máquina, acoplamento molecular, timolol