Investigadores de la Universidad de Cambridge entrenaron un modelo para descubrir medicamentos contra el Parkinson. El modelo es diez veces más rápido y 1000 veces más barato que los métodos convencionales.
Investigadores de la Universidad de Cambridge han aprovechado la IA para acelerar drásticamente la búsqueda de nuevas terapias para la enfermedad de Parkinson.
Utilizando técnicas de aprendizaje automático, pudieron examinar millones de posibles compuestos farmacológicos e identificar los candidatos más prometedores diez veces más rápido y mil veces más rentable 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 espera que esa cifra se triplique para 2040.
Actualmente, ningún tratamiento puede ralentizar o detener de forma fiable la progresión de la enfermedad.
El proceso tradicional de examinar vastas bibliotecas químicas para encontrar posibles fármacos es extremadamente lento, costoso y, a menudo, infructuoso.
«Una ruta para buscar tratamientos potenciales para el Parkinson requiere la identificación de pequeñas moléculas que puedan inhibir la agregación de alfa-sinucleína, que es una proteína estrechamente asociada con la enfermedad», dijo el investigador principal, el profesor Michele Vendruscolo, a la Universidad de Cambridge.
«Pero este es un proceso que requiere mucho tiempo: simplemente identificar un candidato principal para realizar más pruebas puede llevar meses o incluso años».
Para afrontar este desafío, Vendruscolo y su equipo desarrollaron un enfoque de aprendizaje automático de cinco pasos. El estudio fue publicado en Nature Chemical Biology .
- Comience con un pequeño conjunto de compuestos, identificados mediante simulaciones, que muestran potencial para bloquear la agrupación de la proteína alfa-sinucleína, que es la causa principal del Parkinson. Luego, pruebe experimentalmente su eficacia.
- Utilice los resultados para entrenar un modelo de aprendizaje automático para 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 que contiene millones de compuestos y predecir los contendientes más potentes.
- Valide experimentalmente en el laboratorio a los mejores candidatos seleccionados por IA. Vuelva a introducir estos resultados en el modelo para perfeccionar aún más sus capacidades de predicción.
- Repita este ciclo de predicción computacional y pruebas experimentales, con el modelo de IA volviéndose más inteligente en cada ronda, centrándose en los compuestos más poderosos.
Durante múltiples iteraciones, la tasa de optimización (el porcentaje de compuestos probados que inhibían la agrupación de alfa-sinucleína asociada con el Parkinson) aumentó del 4% a más del 20%.
Es más, los compuestos encontrados por la IA eran, en promedio, mucho más potentes que cualquier otro identificado previamente. Algunos mostraron una actividad prometedora en dosis ocho veces más bajas. También eran más diversos químicamente, y 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», afirmó Vendruscolo.
«Al utilizar el conocimiento que obtuvimos de la selección inicial con nuestro modelo de aprendizaje automático, pudimos entrenar el modelo para identificar las regiones específicas de estas pequeñas moléculas responsables de la unión, luego podemos volver a seleccionar y encontrar moléculas más potentes».
“Para nosotros, esto significa que podemos empezar a trabajar en múltiples programas de descubrimiento de fármacos, en lugar de solo uno. Mucho es posible gracias a la enorme reducción tanto de tiempo como de costos: es un momento emocionante”.
Los investigadores enfatizan que esto es solo el comienzo de lo que los primeros enfoques de 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 grandes, el poder predictivo de estos modelos solo debería mejorar.
Si bien todavía queda un largo camino por recorrer para convertir estos candidatos identificados por IA en tratamientos aprobados, este estudio demuestra cómo el aprendizaje automático, combinado inteligentemente con la biología experimental, puede acelerar en gran medida las primeras etapas del descubrimiento de fármacos.
Esto se suma a una serie de investigaciones que abordan el desafío de localizar tratamientos farmacológicos nuevos y novedosos, incluidas las del MIT y Tufts , que recientemente construyeron un modelo capaz de examinar unos 100 millones de compuestos diariamente.
Varios modelos de descubrimiento de antibióticos han producido compuestos experimentales, algunos de los cuales se dirigen a ensayos clínicos .
Otro proyecto a gran escala en colaboración con el Moorfields Eye Hospital en el Reino Unido del año pasado utilizó escáneres oculares para identificar los primeros signos del Parkinson, un método novedoso habilitado por la IA.
Con este nuevo estudio que tiene como objetivo descubrir tratamientos efectivos para el Parkinson, los métodos de IA se muestran inmensamente prometedores para redefinir la medicina y la atención médica.
Fuente: Daily AI
