Los investigadores pretenden aumentar la velocidad de descubrimiento de fármacos mediante el cálculo de las eficiencias de unión con IA

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

Un fármaco debe poder adherirse a las proteínas para poder realizar la tarea para la que fue diseñado. Evaluar la capacidad de un fármaco para adherirse a las proteínas es una parte importante del proceso de detección y descubrimiento de fármacos, y las técnicas de aprendizaje automático podrían reducir la cantidad de tiempo dedicado a evaluar este importante atributo del fármaco.

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

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

Hay dos técnicas típicas que se utilizan para medir las energías de enlace libres. Un método es calcular la cantidad exacta de energía libre de enlace, mientras que el otro es estimar la cantidad de energía libre de enlace. Las estimaciones son menos costosas desde el punto de vista computacional que las mediciones exactas, pero obviamente vienen con una inexactitud de compensación.

El método DeepBAR utiliza una fracción de la potencia computacional de los métodos de medición exactos, pero ofrece estimaciones muy precisas de las energías de enlace. DeepBAR emplea la "relación de aceptación de Bennett", que es el algoritmo que normalmente se usa para calcular la energía libre de enlace. El índice de aceptación de Bennet requiere el uso de dos estados de referencia/punto final y una variedad de estados intermedios (que son estados de enlace parcial). El enfoque de DeepBAR intenta reducir la cantidad de cálculos necesarios para estimar las energías de enlace utilizando el índice 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 para los puntos finales reales que se puede implementar un índice de aceptación de Bennett.

El modelo generativo profundo diseñado por el equipo de investigación del MIT se basa en técnicas de visión por computadora. Esencialmente, 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 realizar ligeros cambios en el algoritmo para acomodar el análisis de las estructuras 3D, ya que los algoritmos de visión por computadora normalmente operan en imágenes 2D.

En las pruebas iniciales, DeepBAR pudo calcular la energía libre de enlace aproximadamente 50 veces más rápido que las técnicas tradicionales. Aún queda trabajo por hacer en el modelo. Tiene que validarse con datos experimentales más complejos que los datos bastante simples con los que se probó inicialmente, que involucraban datos bastante simples. El equipo de investigación del MIT tiene como objetivo mejorar la capacidad de DeepBar para calcular energías libres de enlace para proteínas grandes refinando el modelo utilizando avances recientes en informática.

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

Como Derek Lowe recientemente argumentado en un blog en ScienceMag.org, si el objetivo es mejorar la velocidad del descubrimiento de fármacos, es importante "atacar los problemas correctos". La evaluación de la eficacia clínica y la seguridad de los medicamentos lleva mucho tiempo y es difícil encontrar formas de utilizar la IA para reducir las tasas de fracaso clínico. 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 fármacos, al menos hasta que la IA pueda integrarse de manera significativa en el proceso de evaluación clínica. No obstante, las mejoras son mejoras y cuantas más investigaciones como DeepBAR se realicen, más tiempo tendrán los científicos para considerar formas de usar la IA en otras áreas de la tubería de descubrimiento de fármacos.