Aprendizado Não Supervisionado em Design de Fármacos: da Auto-Organização à Química Profunda

A disponibilidade de computadores trouxe novas perspectivas no design de fármacos. Redes neurais (NN) foram uma das primeiras ferramentas que a quimioinformática testou para converter dados em medicamentos. No entanto, o interesse inicial desapareceu por quase duas décadas. O recente sucesso do Aprendizado Profundo (DL) inspirou uma renascença das redes neurais para sua potencial aplicação na química profunda. O DL visa a análise direta de dados sem qualquer intervenção humana. Embora a NN de retropropagação seja o principal algoritmo no DL atualmente utilizado, o aprendizado não supervisionado pode ser ainda mais eficiente. Revisamos mapas auto-organizáveis (SOM) na mapeação de representações moleculares desde a década de 1990 até a química profunda atual. Descobrimos a enorme eficiência dos SOM não apenas para características que poderiam ser esperadas por humanos, mas também para aquelas que não são triviais para químicos humanos. Revisamos os projetos de DL na literatura atual, especialmente arquiteturas não supervisionadas. O DL parece ser eficiente em reconhecimento de padrões (Deep Face) ou xadrez (Deep Blue). No entanto, uma química profunda eficiente ainda é uma questão para o futuro. Isso se deve ao fato de que a disponibilidade de dados de propriedades medicidas na química ainda é limitada.