Investigadores de la Universidad de Cambridge han aprovechado la IA para acelerar drásticamente la búsqueda de nuevas terapias contra la enfermedad de Parkinson.
Utilizando técnicas de aprendizaje automático, fueron capaces de examinar millones de posibles compuestos farmacológicos e identificar los candidatos más prometedores diez veces más rápido y 1.000 veces más rentables que los métodos convencionales.
La enfermedad de Parkinson es una enfermedad neurodegenerativa compleja y progresiva que afecta aproximadamente a 6 millones de personas en todo el mundo. Se prevé que esa cifra se triplique de aquí a 2040.
En la actualidad, ningún tratamiento puede ralentizar o detener de forma fiable la progresión de la enfermedad.
El proceso tradicional de cribado de vastas bibliotecas químicas para encontrar posibles fármacos candidatos es extremadamente lento, caro y, a menudo, infructuoso.
"Una vía para buscar tratamientos potenciales para el Parkinson requiere la identificación de pequeñas moléculas que puedan inhibir la agregación de la alfa-sinucleína, que es una proteína estrechamente asociada a la enfermedad", explica el investigador principal, el catedrático Michele Vendruscolo. a la Universidad de Cambridge.
"Pero se trata de un proceso extremadamente largo: sólo identificar a un candidato principal para realizar más pruebas puede llevar meses o incluso años".
Para afrontar este reto, Vendruscolo y su equipo desarrollaron un método de aprendizaje automático en cinco pasos. El sitio estudiar se publicó en Naturaleza Biología Química.
- Empezar con un pequeño conjunto de compuestos, identificados mediante simulaciones, que muestren potencial para bloquear la aglutinación de la proteína alfa-sinucleína, que es la causa principal del Parkinson. A continuación, probar experimentalmente su eficacia.
- Utilizar los resultados para entrenar un modelo de aprendizaje automático que permita predecir qué estructuras y propiedades moleculares hacen que un compuesto sea eficaz para prevenir la agregación de proteínas.
- Implemente el modelo entrenado para examinar rápidamente una biblioteca virtual con millones de compuestos y predecir los contendientes más potentes.
- Validar experimentalmente en el laboratorio los mejores candidatos seleccionados por la IA. Vuelve a introducir estos resultados en el modelo para perfeccionar su capacidad de predicción.
- Repite este ciclo de predicción computacional y pruebas experimentales, con el modelo de IA cada vez más inteligente, concentrándose en los compuestos más potentes.
A lo largo de múltiples iteraciones, la tasa de optimización -el porcentaje de compuestos probados que inhibían la aglutinación de alfa-sinucleína asociada con el Parkinson- aumentó de 4% a más de 20%.
Además, los compuestos hallados por la IA eran, por término medio, mucho más potentes que cualquiera de los identificados anteriormente. Algunos mostraron una actividad prometedora a dosis ocho veces inferiores. También eran químicamente más diversos, ya que el modelo descubrió compuestos eficaces que diferían de las estructuras conocidas.
"El aprendizaje automático está teniendo un impacto real en el descubrimiento de fármacos: está acelerando todo el proceso de identificación de los candidatos más prometedores", afirma Vendruscolo.
"Al utilizar los conocimientos que obtuvimos del cribado inicial con nuestro modelo de aprendizaje automático, pudimos entrenar el modelo para identificar las regiones específicas en estas pequeñas moléculas responsables de la unión, entonces podemos volver a cribado y encontrar moléculas más potentes."
"Para nosotros, esto significa que podemos empezar a trabajar en varios programas de descubrimiento de fármacos, en lugar de en uno solo. Es posible hacer muchas cosas gracias a la enorme reducción de tiempo y costes: es un momento apasionante".
Los investigadores subrayan que esto es sólo el principio de lo que los enfoques basados en la IA podrían permitir en el descubrimiento de fármacos para el Parkinson y otras enfermedades caracterizadas por el mal plegamiento y la agregación de proteínas.
Con un mayor desarrollo y conjuntos de datos de entrenamiento más amplios, el poder predictivo de estos modelos no hará sino mejorar.
Aunque todavía queda un largo camino por recorrer para convertir estos candidatos identificados por la IA en tratamientos aprobados, este estudio demuestra cómo el aprendizaje automático, combinado inteligentemente con la biología experimental, puede acelerar enormemente las primeras fases del descubrimiento de fármacos.
Esto se basa en una serie de investigaciones que abordan el reto de localizar tratamientos farmacológicos nuevos y novedosos, entre ellos del MIT y Tuftsque acaba de crear un modelo capaz de examinar unos 100 millones de compuestos al día.
Varios modelos de descubrimiento de antibióticos han producido compuestos experimentales, algunos de los cuales son rumbo a los ensayos clínicos.
Otro proyecto de gran envergadura en colaboración con el Moorfields Eye Hospital del Reino Unido, utilizó el año pasado escáneres oculares para detectar los primeros signos del Parkinson, un método novedoso que permite la IA.
Con este nuevo estudio que pretende descubrir tratamientos eficaces contra el Parkinson, los métodos de IA se muestran inmensamente prometedores para redefinir la medicina y la asistencia sanitaria.
