Investigadores Apuntan a Aumentar la Velocidad de Descubrimiento de Medicamentos al Calcular las Eficiencias de Unión con IA

Investigadores de MIT han desarrollado recientemente una nueva técnica impulsada por IA para acelerar el descubrimiento de medicamentos aumentando la velocidad de los cálculos utilizados para evaluar la afinidad de unión molecular de un medicamento.

Un medicamento debe ser capaz de adherirse a las proteínas para llevar a cabo la tarea para la que fue diseñado. Evaluar la capacidad de un medicamento para adherirse a las proteínas es una parte importante del proceso de descubrimiento y selección de medicamentos, y las técnicas de aprendizaje automático podrían reducir el tiempo dedicado a evaluar este importante atributo del medicamento.

El equipo de investigación de MIT responsable de desarrollar la nueva técnica de evaluación de medicamentos la llama DeepBAR. DeepBAR combina algoritmos de aprendizaje automático con cálculos de química tradicionales. DeepBAR calcula el potencial de unión de un candidato a medicamento y las proteínas objetivo de ese medicamento. La nueva técnica de análisis entrega estimaciones de la capacidad de unión de un medicamento sustancialmente más rápido que los métodos tradicionales utilizados para evaluar las afinidades de unión, y se espera que la técnica pueda mejorar la velocidad de descubrimiento de medicamentos.

El potencial de unión de un medicamento se cuantifica a través de una métrica llamada energía libre de unión, donde un número más pequeño indica un mayor potencial de unión. Una puntuación de energía libre de unión baja significa que un medicamento tiene una gran capacidad para competir con otras moléculas, llenar los roles de esas moléculas y perturbar la función normal de una proteína. Existe una alta correlación entre la energía libre de unión de un candidato a medicamento y la eficacia de ese medicamento. Sin embargo, medir la energía libre de unión puede ser bastante difícil.

Hay dos técnicas típicas utilizadas para medir las energías libres de unión. Un método es calcular la cantidad exacta de energía libre de unión, mientras que el otro es estimar la cantidad de energía libre de unión. Las estimaciones son menos costosas en términos computacionales que las mediciones exactas, pero obviamente conllevan un compromiso en precisión.

El método DeepBAR utiliza una fracción de la potencia computacional de los métodos de medición exactos, pero entrega estimaciones muy precisas de las energías de unión. DeepBAR emplea la “relación de aceptación de Bennett”, que es el algoritmo típicamente utilizado para calcular la energía libre de unión. La relación de aceptación de Bennett requiere el uso de dos estados de referencia/punto final y una variedad de estados intermedios (que son estados de unión parcial). El enfoque DeepBAR intenta reducir la cantidad de cálculos necesarios para estimar las energías de unión al utilizar la relación de aceptación de Bennett junto con marcos de aprendizaje automático y modelos generativos profundos. Los modelos de aprendizaje automático generan un estado de referencia para cada punto final, y estos puntos finales son lo suficientemente precisos como para que se pueda implementar una relación de aceptación de Bennett.

El modelo generativo profundo diseñado por el equipo de investigación de MIT se basa en técnicas de visión por computadora. En esencia, DeepBAR trata cada estructura molecular que analiza como una imagen, analizando las características de la “imagen” para aprender de ellas. El equipo de investigación tuvo que hacer algunos cambios menores en el algoritmo para acomodar el análisis de las estructuras tridimensionales, ya que los algoritmos de visión por computadora típicamente operan en imágenes bidimensionales.

En las pruebas iniciales, DeepBAR pudo calcular la energía libre de unión aproximadamente 50 veces más rápido que las técnicas tradicionales. Todavía hay trabajo por hacer en el modelo. Debe ser validado contra datos experimentales más complejos que los datos bastante simples en los que se probó inicialmente, que involucraban datos bastante simples. El equipo de investigación de MIT apunta a mejorar la capacidad de DeepBAR para calcular las energías libres de unión para proteínas grandes refinando el modelo con los avances recientes en ciencias de la computación.

DeepBAR está lejos de ser el primer intento de aplicar IA a la tubería de descubrimiento de medicamentos con el objetivo de aumentar la velocidad de descubrimiento de medicamentos. Muchos otros proyectos de investigación también han utilizado IA para automatizar aspectos de la tubería de descubrimiento de medicamentos y mejorar su eficiencia. Sin embargo, podría haber un cuello de botella natural que limite la efectividad de estas estrategias.

Como Derek Lowe argumentó recientemente en un blog en ScienceMag.org, si el objetivo es mejorar la velocidad de descubrimiento de medicamentos, es importante “atacar los problemas correctos”. La evaluación de la eficacia y seguridad clínica de los medicamentos lleva una cantidad sustancial de tiempo y encontrar formas de utilizar IA para reducir las tasas de fracaso clínico es difícil. En última instancia, podría haber un límite inferior en la cantidad de tiempo que los métodos de IA pueden ahorrar en términos de descubrimiento de medicamentos, al menos hasta que la IA pueda integrarse de manera significativa en el proceso de evaluación clínica. Sin embargo, las mejoras son mejoras y cuanto más se investigue como DeepBAR, más tiempo tendrán los científicos para considerar formas de utilizar IA en otras áreas de la tubería de descubrimiento de medicamentos.