Investigadores del MIT han utilizado modelos de aprendizaje profundo para descubrir la primera nueva clase de antibióticos en décadas. Los antibióticos resultantes podrían cambiar el curso de la lucha contra las bacterias resistentes a los fármacos.
Cuando Alexander Fleming descubrió la penicilina, el primer antibiótico del mundo, era consciente de los peligros que conllevaba.
En su discurso de aceptación del Premio Nobel en 1945, Fleming dijo: "Luego está el peligro de que el hombre ignorante pueda fácilmente subdosificarse y, al exponer sus microbios a cantidades no letales del fármaco, hacerlos resistentes."
A medida que se desarrollaban nuevos antibióticos, el uso indebido y las prescripciones incorrectas provocaron que las bacterias a las que iban dirigidos se hicieran gradualmente resistentes a estos medicamentos antes eficaces.
El equipo que dirige el Dr. Jim Collins en El laboratorio Collins del MIT puso en marcha en 2020 el proyecto Antibiotics-AI para abordar esta cuestión. El proyecto tiene un plan de siete años para desarrollar siete nuevas clases de antibióticos para tratar siete de los patógenos bacterianos más mortíferos del mundo.
Sus esfuerzos por utilizar el aprendizaje automático han empezado a dar sus frutos, ya que su papel han anunciado el descubrimiento de una nueva clase de antibióticos capaces de eliminar la bacteria Staphylococcus aureus resistente a la meticilina (SARM). Las infecciones por SARM resistentes a los fármacos causan la muerte de hasta 10.000 personas al año sólo en Estados Unidos.
Las empresas farmacéuticas no dedican gran parte de su investigación a los antibióticos porque no es tan lucrativa como otros medicamentos. Además, cada vez es más difícil descubrir nuevos antibióticos. La IA lo ha hecho mucho más fácil.
Modelos de aprendizaje profundo
El reto de crear un nuevo antibiótico es que existen casi infinitas combinaciones moleculares y es difícil saber cuál de ellas matará a una bacteria concreta. Para complicar aún más las cosas, los investigadores tienen que asegurarse de que el nuevo compuesto tampoco mate a las células sanas.
El equipo del MIT creó una base de datos de 39.000 compuestos diferentes y sus efectos sobre el Staphylococcus aureus. También incorporaron la citotoxicidad de los compuestos rastreando los efectos que tienen en células humanas de hígado, músculo esquelético y pulmón.
También se añadió al conjunto de datos información sobre las estructuras químicas de los compuestos, que luego se utilizó para entrenar un modelo de IA de aprendizaje profundo.
Basándose en el amplio conjunto de datos, el modelo fue capaz de aprender qué estructuras químicas tenían más probabilidades de matar a las bacterias evitando al mismo tiempo efectos adversos en las células sanas.
Una vez entrenado, el modelo de IA se utilizó para analizar 12 millones de compuestos disponibles en el mercado. El modelo identificó moléculas de cinco clases diferentes que, según predijo, matarían la bacteria MRSA.
A partir de esa lista significativamente reducida de compuestos candidatos, los investigadores obtuvieron 280 compuestos para probarlos contra la bacteria MRSA cultivada en una placa de laboratorio. Sus pruebas permitieron descubrir que dos de los compuestos reducían el SARM en un factor de 10.
IA explicable
Los modelos de IA a menudo nos dan respuestas útiles, pero pueden ser cajas negras inescrutables que no nos permiten comprender cómo llegan a la respuesta.
Felix Wong, postdoctorando en el MIT y Harvard y uno de los autores principales del estudio junto con Erica Zheng, afirma: "Lo que nos propusimos en este estudio fue abrir la caja negra. Estos modelos constan de un gran número de cálculos que imitan las conexiones neuronales, y nadie sabe realmente qué ocurre bajo el capó".
Entender qué llevó al modelo a seleccionar los compuestos que seleccionó daría a los investigadores una mejor idea de dónde buscar fármacos más eficaces. El equipo de investigación utilizó un algoritmo de búsqueda en árbol Monte Carlo adaptado para comprender el proceso de toma de decisiones de su modelo de aprendizaje profundo.
El Dr. Collins explicó: "La idea aquí era que podíamos ver lo que aprendían los modelos para hacer sus predicciones de que ciertas moléculas serían buenos antibióticos".
Además del MIT, la investigación contó con aportaciones del Broad Institute, Integrated Biosciences, el Wyss Institute for Biologically Inspired Engineering y el Leibniz Institute of Polymer Research de Dresde (Alemania).
El uso de la IA para cribar millones de posibles acuerdos químicos está teniendo un enorme impacto en descubrimiento de fármacos. Para el Laboratorio Collins, es un caso de "uno menos, seis más" y parece que su proyecto de siete años puede tener tiempo de sobra.
