ActFound tuvo un mejor desempeño en las pruebas que los modelos de la competencia y podría ofrecer una alternativa rentable a los métodos tradicionales.
Científicos de China y Estados Unidos dicen haber desarrollado un nuevo modelo de inteligencia artificial (IA) que podría ayudar a superar algunos de los principales desafíos en el desarrollo y descubrimiento de fármacos.
El modelo, llamado ActFound, supera a los modelos de la competencia y supera los desafíos del uso del aprendizaje automático en la predicción de la bioactividad, según un artículo publicado en Nature Machine Intelligence.
“La bioactividad abarca varias propiedades de los compuestos, como su interacción con los objetivos, el impacto en los sistemas biológicos y los efectos terapéuticos”, dijeron los investigadores de la Universidad de Pekín, la Universidad de Washington y la empresa de tecnología de inteligencia artificial INF Technology Shanghai.
Los principales desafíos para el uso del aprendizaje automático incluyen el etiquetado limitado de los datos y la incompatibilidad entre ensayos, las pruebas que miden la actividad o potencia de los medicamentos.
El modelo no solo supera a los modelos de IA de la competencia, sino que también funciona tan bien como la perturbación de energía libre (FEP), un método computacional tradicional.
Aunque los cálculos FEP tienen un alto nivel de precisión, el equipo advirtió que “requieren amplios recursos computacionales que a menudo no son asequibles para aplicaciones a gran escala”.
Estos métodos a menudo se basan en estructuras proteicas tridimensionales que son difíciles de obtener y que solo se pueden conseguir utilizando equipos costosos y extensos procedimientos de laboratorio.
El equipo afirmó que ActFound podría funcionar con precisión con menos puntos de datos, ofreciendo una alternativa precisa y menos costosa que FEP.
“Nuestros resultados prometedores indican que ActFound podría ser un modelo de base de bioactividad eficaz para varios tipos de actividades”, dijo Wang Sheng, autor correspondiente y profesor asistente de la Universidad de Washington.
China alberga una industria farmacéutica en auge y el gobierno realiza importantes inversiones en investigación y desarrollo de medicamentos innovadores.
Algunas empresas han recurrido a la IA para encontrar posibles objetivos farmacológicos en un intento de reducir el tiempo de desarrollo; algunos productos ya se encuentran en ensayos clínicos .
“Evaluar la bioactividad de los compuestos es fundamental para el descubrimiento y desarrollo de fármacos”, escribió el equipo en su artículo.
La predicción de la bioactividad tiene como objetivo predecir los valores de los compuestos, ayudando a los científicos a identificar compuestos potencialmente útiles entre una gran cantidad de candidatos y, al mismo tiempo, minimizar los experimentos costosos y que requieren mucho tiempo.
Pero a pesar del potencial del aprendizaje automático, algunos desafíos importantes limitan su adopción.
“Los métodos de aprendizaje automático existentes tienen poca generalización en la predicción de la bioactividad debido a la pequeña cantidad de compuestos en cada ensayo y a las mediciones incompatibles entre los ensayos”, escribió el equipo.
Los modelos de base, que se entrenan previamente en grandes conjuntos de datos para generalizar la predicción para conjuntos de datos no etiquetados, son una forma de evitar estos problemas.
ActFound se entrenó utilizando 35.644 ensayos de una base de datos química popular, así como 1,6 millones de bioactividades medidas experimentalmente.
También utiliza dos métodos de aprendizaje automático: metaaprendizaje y aprendizaje por pares.
El metaaprendizaje es un marco que permite optimizar un modelo utilizando datos etiquetados limitados para predecir las propiedades de compuestos no medidos. Un modelo entrenado con una gran cantidad de ensayos se puede utilizar para trabajar en ensayos con datos limitados.
El metaaprendizaje “es muy adecuado para la predicción de la bioactividad, porque hay una grave escasez de datos de bioactividad no medidos en muchos proyectos de descubrimiento de fármacos debido a los altos costos de los experimentos de laboratorio”, dijo Wang.
Mientras tanto, el aprendizaje por pares ayuda a generalizar el modelo. En lugar de predecir valores absolutos potencialmente incompatibles, calcula las diferencias relativas entre pares compuestos.
“Nuestra intuición fue que, aunque los compuestos de diferentes ensayos pueden tener diferentes unidades, rangos de valores o métricas de medición, aquellos dentro del mismo ensayo son comparables”, escribió el equipo.
“Hasta donde sabemos, fuimos los primeros en combinar el metaaprendizaje y el aprendizaje por pares en la predicción de la bioactividad”.
ActFound se probó en seis conjuntos de datos de bioactividad del mundo real y se descubrió que superó a nueve modelos competidores en la predicción dentro del dominio y tuvo un sólido desempeño en la predicción entre dominios.
El equipo también realizó un estudio de caso para ver si su modelo podía usarse para predecir la bioactividad de los medicamentos contra el cáncer y descubrió que funcionaba mejor que otros modelos.
“Nuestros resultados prometedores indican que ActFound podría ser un modelo de base de bioactividad eficaz para la predicción de la bioactividad de los compuestos, allanando el camino para el desarrollo y descubrimiento de fármacos basados en el aprendizaje automático”, afirmó el equipo.