Investigadores Utilizan Aprendizaje Profundo para Identificar Nuevos Medicamentos

Investigadores del Instituto de Ciencia y Tecnología de Gwangju en Corea han desarrollado un nuevo modelo de aprendizaje profundo que puede predecir la unión entre un fármaco y una molécula objetivo. El equipo, liderado por el profesor asociado Hojung Nam y el estudiante de doctorado Ingoo Lee, llamó al nuevo modelo “Highlights on Target Sequences” (HoTS).

La investigación se publicó en la Revista de Informática Química.

El Proceso de Descubrimiento de Fármacos

Los fármacos se prueban en el proceso de descubrimiento de fármacos para su capacidad para unirse o interactuar con moléculas objetivo en el cuerpo. Los modelos de aprendizaje profundo han demostrado ser útiles para hacer que este proceso sea más efectivo, pero sus predicciones no siempre demuestran interpretación. Es por eso que el equipo creó HoTS, que hace mejores predicciones de interacciones entre fármacos y objetivos, y también es interpretable.

Es crucial determinar cómo bien un fármaco se une a su molécula objetivo, y esto generalmente implica alinear una estructura 3D de un fármaco y su proteína objetivo en varias configuraciones. Este proceso se conoce como “acoplamiento”. Siguiendo este proceso, se descubren los sitios de unión preferidos ejecutando simulaciones de acoplamiento una y otra vez con múltiples candidatos de fármacos para una molécula objetivo. Los modelos de aprendizaje profundo se utilizan para realizar estas simulaciones.

Modelo HoTS

El modelo recién desarrollado también puede predecir interacciones entre fármacos y objetivos (DTI) sin la necesidad de simulaciones o estructuras 3D.

“Primero, enseñamos explícitamente al modelo qué partes de una secuencia de proteína interactuarán con el fármaco utilizando conocimiento previo”, explica el profesor Nam. “El modelo entrenado se utiliza luego para reconocer y predecir interacciones entre fármacos y proteínas objetivo, lo que da mejores resultados de predicción. Usando esto, creamos un modelo que puede predecir las regiones de unión de las proteínas objetivo y sus interacciones con fármacos sin un complejo 3D”.

El modelo no tiene que lidiar con la longitud completa de la secuencia de proteína. En su lugar, puede hacer predicciones basadas en partes de la proteína que son relevantes para la interacción DTI.

“Enseñamos al modelo dónde ‘enfocarse’ para asegurarnos de que pueda comprender subregiones importantes de las proteínas al predecir su interacción con candidatos de fármacos”, continúa el profesor Nam.

Esto permite que el modelo prediga DTI con más precisión que los modelos existentes.

Estos nuevos hallazgos proporcionarán un buen punto de partida para futuras simulaciones de acoplamiento para predecir nuevos candidatos de fármacos.

“Este modelo utilizado en nuestro estudio haría que el proceso de descubrimiento de fármacos sea más transparente, así como de bajo riesgo y bajo costo. Esto permitirá a los investigadores descubrir más fármacos con la misma cantidad de presupuesto y tiempo”, concluye el profesor Nam.