Pharmaceutical Technology Brasil Ed. 3-19

Pharmaceutical Technology 36 Edição Brasileira - Vol. 23 / Nº3 estrutura (primária, secundária etc.), mo- dificações pós-traducionais (PTMs), etc. “Análises ortogonais são necessárias para garantir a caracterização completa. A cro- matografia pode ser usada para determinar a pureza, enquanto outros métodos devem ser usados para determinar a identidade (sequência, localização dos PTMs, etc.). Ensaios estruturais são frequente- mente aumentados com imunoensaios de comportamento. Todos esses dados devem ser “montados” juntos para criar uma imagem completa, o que pode ser desafiador para fazer digitalmente, porque os dados ortogonais são frequentemente gerados em uma variedade de formatos de fornecedores”, explica Anderson. As mesmas questões existem para estudos de comparabilidade biossimilar, observa Rodríguez-Mendieta. “Os resul- tados devem ser considerados holistica- mente, o que continua sendo um desafio considerável, já que os dados podem ser um tanto contraditórios e geralmente produzidos a partir de uma ampla gama de técnicas com instrumentação de múltiplos fabricantes com diferentes plataformas de dados”, diz ele. Substâncias medicamentosas de última geração podem complicar ainda mais a situação. Anderson aponta para os con- jugados anticorpo-droga (ADCs) como um exemplo. “Os ADCs compreendem um anticorpo, uma carga útil citotóxica de molécula pequena e um ligante de algum tipo, que pode ser um oligômero ou outro componente pequeno a médio. A faixa dinâmica de MS, RMN ou outros instrumentos deve, portanto, ser suficien- temente ampla para permitir a análise de moléculas pequenas e grandes, e, é claro, também validáveis”, explica ele. Dificuldades ampliadas em MS e RMN Técnicas de separação como cromato- grafia gasosa (GC), cromatografia líquida de alta eficiência (HPLC), eletroforese capilar (CE) e eletroforese em gel quando acopladas a UV, Raman, infravermelho e fluorescência não fornecem dados su- ficientes per se, e particularmente para grandes moléculas, segundo Cacela. “Os dados gerados por essas técnicas devem ser validados por técnicas mais abran- gentes, como a espectrometria de massa”, observa ela. Em geral, no entanto, os métodos LC- -MS, especialmente MS de alta resolução (tempo de voo quadruplar [Q-TOF], triplo quadrupolo, etc.), geram arquivos de dados esmagadoramente grandes, de acordo com Manolis. “Os conjuntos de dados estão se tornando muito grandes e representam desafios para qualquer infraestrutura de TI [tecnologia da informação] à medida que são transmitidos entre as redes para armazenamento e análise”, observa ela. Um desafio adicional está relacionado à interpretação de dados. A aquisição de dados de MS ocorre emmuito menos tem- po do que demora para interpretá-lo, de acordo com Anderson. “Com os instrumen- tos TOF, é possível coletar espectros deta- lhados em apenas três minutos, de modo que a técnica possa ser útil para rastrear experimentos ou monitorar o progresso de uma reação sintética ou cultura de células. Os arquivos de dados resultantes podem ter um tamanho de gigabyte, o que desafia não apenas a perspectiva do disco rígido, mas também a interpretação, que pode levar muito mais tempo ”, comenta. Além disso, é necessária uma profunda especia- lização para avaliar e filtrar com precisão os dados significativos, acrescenta Cacela. Da mesma forma, o volume de dados gerados nas análises de RMN e ressonância plasmônica de superfície pode ser desafia- dor de se gerenciar. Problemas com abstração de dados Outro desafio, dado o volume e a complexidade dos dados gerados hoje, é a necessidade de algum tipo de abstração de dados para poder aproveitar eficiente- mente os dados analíticos no processo de tomada de decisão. “Conjuntos de dados muito grandes precisam ser transformados de alguma forma para torná-los gerenci- áveis e interpretáveis de maneira prática e oportuna. A dificuldade, no entanto, é o potencial de perda de informação”, afirma Anderson. A redução de dados cria risco do ponto de vista da análise total, acrescenta. Dados MS centrados versus dados de MS de perfil completo são um exemplo. O primeiro en- volve uma transformação matemática dos dados que fornece simplificação e inter- pretação mais fácil, mas o risco de perder detalhes importantes deve ser ponderado em relação a essa simplificação. Há uma grande pressão, de acordo com Anderson, para encontrar maneiras de usar dados de maneira não reduzida para interpretações mais práticas. Um exemplo envolve modificar o modo como os sinais são adquiridos. Em RMN, por exemplo, Anderson aponta para amostragem não uniforme, que envolve a pulsação da amostra em frequências não uniformes e permite a reconstrução de espectros pró- ximos ao que seria obtido com pulsação de frequência total, mas em um arquivo de dados menor. Há também um foco na aplicação de aprendizado de máquina e inteligência artificial nesta área, permitindo que as máquinas identifiquem tendências e façam observações que os humanos provavel- mente encontrarão, mas não terão tempo para fazer, de acordo com Anderson. Necessidade de uma visão multimodal Um tema subjacente a todas as áreas de preocupação acima é a necessidade de plataformas de software que permi- tam a visualização de dados gerados por diferentes instrumentos de diferentes fornecedores. “Os sistemas que temos hoje geram enormes quantidades de da-