Las plataformas de inteligencia artificial generativa, desde ChatGPT hasta Midjourney, acapararon los titulares en 2023. Pero la GenAI puede hacer más que crear collages de imágenes y ayudar a escribir correos electrónicos: también puede diseñar nuevos medicamentos para tratar enfermedades.
Hoy en día, los científicos utilizan tecnología avanzada para diseñar nuevos compuestos de drogas sintéticas con las propiedades y características adecuadas, lo que también se conoce como “diseño de drogas de novo”. Sin embargo, los métodos actuales pueden requerir mucha mano de obra, tiempo y costos.
Inspirados por la popularidad de ChatGPT y preguntándose si este enfoque podría acelerar el proceso de diseño de fármacos, los científicos de la Facultad de Ciencia y Tecnología Schmid de la Universidad Chapman en Orange, California, decidieron crear su propio modelo GenAI, como se detalla en un nuevo artículo, “De Novo Drug Design usando traducción automática basada en transformadores y aprendizaje reforzado de la búsqueda adaptativa de árboles de Monte-Carlo”, que aparece en la revista Pharmaceuticals.
Dony Ang, Cyril Rakovski y Hagop Atamian codificaron un modelo para aprender un conjunto de datos masivo de sustancias químicas conocidas, cómo se unen a las proteínas objetivo y las reglas y sintaxis de la estructura y propiedades químicas en gran escala. El resultado final puede generar innumerables estructuras moleculares únicas que siguen restricciones químicas y biológicas esenciales y se unen eficazmente a sus objetivos, lo que promete acelerar enormemente el proceso de identificación de fármacos candidatos viables para una amplia gama de enfermedades, a una fracción del costo.
Para crear el innovador modelo, los investigadores integraron por primera vez dos técnicas de IA de vanguardia en los campos de la bioinformática y la quimioinformática: la conocida “arquitectura transformadora codificadora-decodificadora” y el “aprendizaje reforzado mediante búsqueda de árboles de Monte Carlo” (RL- MCTS). La plataforma, apropiadamente llamada “drugAI”, permite a los usuarios ingresar una secuencia de proteína objetivo (por ejemplo, una proteína típicamente involucrada en la progresión del cáncer).
DrugAI, capacitado con datos de la base de datos pública integral BindingDB, puede generar estructuras moleculares únicas desde cero y luego refinar candidatos de forma iterativa, asegurando que los finalistas muestren fuertes afinidades de unión con los respectivos objetivos farmacológicos, algo crucial para la eficacia de fármacos potenciales. El modelo identifica entre 50 y 100 nuevas moléculas que probablemente inhiban estas proteínas en particular.
“Este enfoque nos permite generar un fármaco potencial que nunca antes se había concebido”, afirmó el Dr. Atamian. “Ha sido probado y validado. Ahora estamos viendo resultados magníficos”.
Los investigadores evaluaron las moléculas generadas por el fármaco AI según varios criterios y descubrieron que los resultados del fármaco eran de calidad similar a los de otros dos métodos comunes y, en algunos casos, mejores. Descubrieron que los fármacos candidatos de DrugAI tenían una tasa de validez del 100%, lo que significa que ninguno de los fármacos generados estaba presente en el conjunto de entrenamiento.
A los fármacos candidatos de DrugAI también se les midió la semejanza de los fármacos, o la similitud de las propiedades de un compuesto con las de los fármacos orales, y los fármacos candidatos fueron al menos un 42% y un 75% más altos que otros modelos. Además, todas las moléculas generadas por fármacos AI mostraron fuertes afinidades de unión con sus objetivos respectivos, comparables a las identificadas mediante enfoques de detección virtuales tradicionales.
Ang, Rakovski y Atamian también querían ver cómo los resultados de DrugAI para una enfermedad específica se comparan con los medicamentos conocidos existentes para esa enfermedad. En un experimento diferente, los métodos de detección generaron una lista de productos naturales que inhibían las proteínas del COVID-19. DrugAI generó una lista de nuevos fármacos dirigidos a la misma proteína para comparar sus características. Compararon la semejanza de los fármacos y la afinidad de unión entre las moléculas naturales y los fármacos AI, y encontraron mediciones similares en ambas, pero el fármaco AI pudo identificarlas de una manera mucho más rápida y menos costosa.
Además, los científicos diseñaron el algoritmo para que tuviera una estructura flexible que permitiera a los futuros investigadores agregar nuevas funciones. “Eso significa que terminaremos con candidatos a medicamentos más refinados con una probabilidad aún mayor de terminar siendo un medicamento real”, dijo el Dr. Atamian. “Estamos emocionados por las posibilidades que existen en el futuro”.
Fuente: Medical Xpress.
