En un estudio de vanguardiaInvestigadores del MIT y la Universidad de Tufts han desarrollado un método de aprendizaje automático para acelerar el proceso de descubrimiento de fármacos.
Existen vastas bibliotecas de fármacos con miles de millones de compuestos diferentes que podrían tratar eficazmente desde el cáncer hasta las enfermedades cardiacas. La cuestión es cómo encontrarlos.
El descubrimiento de fármacos ha sido tradicionalmente un proceso muy laborioso, en el que los científicos tenían que probar cada compuesto potencial frente a todas las dianas posibles, lo que suponía un esfuerzo largo y costoso.
Para resolver este problema, los investigadores han empezado a utilizar métodos computacionales para analizar bibliotecas de compuestos farmacológicos. Sin embargo, este método sigue requiriendo mucho tiempo, ya que implica calcular la estructura tridimensional de cada proteína diana a partir de su secuencia de aminoácidos.
Sin embargo, el equipo del MIT y Tufts ha ideado un nuevo enfoque basado en un gran modelo de lenguaje (LLM), que es el tipo de modelo que impulsa IA como ChatGPT. El modelo analiza grandes cantidades de datos para determinar qué aminoácidos tienen más probabilidades de coincidir, de forma similar a cómo los modelos lingüísticos como ChatGPT analizan enormes volúmenes de texto para determinar qué palabras coinciden.
Este novedoso modelo, denominado ConPLexEl modelo de análisis de moléculas de fármacos, que se basa en el análisis de proteínas, empareja las proteínas diana con posibles moléculas de fármacos sin calcular las estructuras de las moléculas. El modelo permitió a los investigadores examinar más de 100 millones de compuestos en un día.
Bonnie Berger, catedrática Simons de Matemáticas y jefa del grupo de Computación y Biología del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, ha declarado: "Este trabajo responde a la necesidad de un cribado in silico eficiente y preciso de posibles fármacos candidatos, y la escalabilidad del modelo permite realizar cribados a gran escala para evaluar los efectos fuera de diana, rediseñar fármacos y determinar el impacto de las mutaciones en la unión de fármacos".
La IA agiliza la selección y el desarrollo de fármacos
Un obstáculo clave en este campo ha sido la tendencia de los modelos existentes a no descartar los compuestos "señuelo". Estos compuestos son similares a fármacos eficaces pero no interactúan bien con la diana. Para descartar los señuelos, el equipo incorporó una fase de entrenamiento que ayudaba al modelo a distinguir entre fármacos reales e impostores.
Los investigadores probaron el modelo ConPLex examinando una biblioteca de unas 4.700 moléculas candidatas a fármacos frente a un conjunto de 51 enzimas conocidas como proteínas quinasas.
Tras probar experimentalmente 19 de las parejas fármaco-proteína más prometedoras, encontraron 12 con una fuerte afinidad de unión con la diana.
Aunque este estudio se centró principalmente en fármacos de moléculas pequeñas, el equipo está estudiando cómo aplicar este enfoque a otros tipos de medicamentos, como los anticuerpos terapéuticos.
El modelo también podría realizar pruebas de toxicidad de posibles fármacos para asegurarse de que no producen efectos secundarios no deseados antes de probarlos en modelos animales.
Rohit Singh, investigador científico del CSAIL, afirma: "Parte de la razón por la que el descubrimiento de fármacos es tan caro es porque tiene altas tasas de fracaso. Si podemos reducir esas tasas de fracaso diciendo por adelantado que no es probable que este fármaco funcione, eso podría contribuir en gran medida a reducir el coste del descubrimiento de fármacos."
Eytan Ruppin, jefe del Laboratorio de Ciencia de Datos sobre el Cáncer del Instituto Nacional del Cáncer, elogia el enfoque como un "avance significativo en la predicción de la interacción fármaco-objetivo".
A finales de mayo, otro equipo de investigación del MIT construyó un modelo de detección de antibióticos que funcionaba de forma similar a éste.
El equipo utilizó el aprendizaje automático para explorar miles de fármacos existentes, localizando un compuesto concreto que era eficaz contra las superbacterias resistentes a los antibióticos.
