Investigadores buscan aumentar la velocidad de descubrimiento de fármacos mediante el cálculo de 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 ser capaz de unirse a las proteínas para realizar la tarea para la que fue diseñado. Evaluar la capacidad de un fármaco para unirse a las proteínas es una parte importante del proceso de descubrimiento y selección de fármacos, y las técnicas de aprendizaje automático podrían reducir el tiempo dedicado a evaluar este atributo importante 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 de química tradicionales. DeepBAR calcula el potencial de unión de un fármaco candidato y las proteínas objetivo de ese fármaco. La nueva técnica de análisis entrega 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 más pequeño indica un mayor potencial de unión. Una puntuación de energía libre de unión baja significa que un fármaco tiene una gran capacidad para competir con otras moléculas, ocupando el lugar de esas moléculas y alterando la función normal de una proteína. Existe una alta correlación entre la energía libre de unión de un fármaco candidato y la eficacia de ese fármaco. Sin embargo, medir la energía libre de unión puede ser bastante difícil.

Hay dos técnicas típicas 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 exacta, 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 el número 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 la relación de aceptación de Bennett.

El modelo generativo profundo diseñado por el equipo de investigación del MIT se basa en técnicas de visión computacional. 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 adaptarlo al análisis de estructuras tridimensionales, ya que los algoritmos de visión computacional 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 relativamente simples en 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 las energías libres de unión para proteínas grandes refinando el modelo mediante avances recientes en ciencias de la computación.

DeepBAR está lejos de ser el primer intento de aplicar IA al proceso de descubrimiento de fármacos con el objetivo de aumentar la velocidad del descubrimiento de fármacos. Muchos otros proyectos de investigación también han utilizado IA para automatizar aspectos del proceso 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 argumentó recientemente Derek Lowe en un blog de 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 fármacos 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 fármacos, 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 investigación como DeepBAR se realice, más tiempo tendrán los científicos para considerar formas de utilizar IA en otras áreas del proceso de descubrimiento de fármacos.