Las plataformas de inteligencia artificial generativa, desde ChatGPT hasta Midjourney, acapararon los titulares en 2023. Pero la GenAI puede hacer m\u00e1s que crear collages de im\u00e1genes y ayudar a escribir correos electr\u00f3nicos: tambi\u00e9n puede dise\u00f1ar nuevos medicamentos para tratar enfermedades.<\/p>\n\n\n\n
Hoy en d\u00eda, los cient\u00edficos utilizan tecnolog\u00eda avanzada para dise\u00f1ar nuevos compuestos de drogas sint\u00e9ticas con las propiedades y caracter\u00edsticas adecuadas, lo que tambi\u00e9n se conoce como “dise\u00f1o de drogas de novo”. Sin embargo, los m\u00e9todos actuales pueden requerir mucha mano de obra, tiempo y costos.<\/p>\n\n\n\n
Inspirados por la popularidad de ChatGPT y pregunt\u00e1ndose si este enfoque podr\u00eda acelerar el proceso de dise\u00f1o de f\u00e1rmacos, los cient\u00edficos de la Facultad de Ciencia y Tecnolog\u00eda Schmid de la Universidad Chapman en Orange, California, decidieron crear su propio modelo GenAI, como se detalla en un nuevo art\u00edculo, “De Novo Drug Design usando traducci\u00f3n autom\u00e1tica basada en transformadores y aprendizaje reforzado de la b\u00fasqueda adaptativa de \u00e1rboles de Monte-Carlo”, que aparece en la revista Pharmaceuticals.<\/p>\n\n\n\n
Dony Ang, Cyril Rakovski y Hagop Atamian codificaron un modelo para aprender un conjunto de datos masivo de sustancias qu\u00edmicas conocidas, c\u00f3mo se unen a las prote\u00ednas objetivo y las reglas y sintaxis de la estructura y propiedades qu\u00edmicas en gran escala. El resultado final puede generar innumerables estructuras moleculares \u00fanicas que siguen restricciones qu\u00edmicas y biol\u00f3gicas esenciales y se unen eficazmente a sus objetivos, lo que promete acelerar enormemente el proceso de identificaci\u00f3n de f\u00e1rmacos candidatos viables para una amplia gama de enfermedades, a una fracci\u00f3n del costo.<\/p>\n\n\n\n
Para crear el innovador modelo, los investigadores integraron por primera vez dos t\u00e9cnicas de IA de vanguardia en los campos de la bioinform\u00e1tica y la quimioinform\u00e1tica: la conocida “arquitectura transformadora codificadora-decodificadora” y el “aprendizaje reforzado mediante b\u00fasqueda de \u00e1rboles de Monte Carlo” (RL- MCTS). La plataforma, apropiadamente llamada “drugAI”, permite a los usuarios ingresar una secuencia de prote\u00edna objetivo (por ejemplo, una prote\u00edna t\u00edpicamente involucrada en la progresi\u00f3n del c\u00e1ncer).<\/p>\n\n\n\n
DrugAI, capacitado con datos de la base de datos p\u00fablica integral BindingDB, puede generar estructuras moleculares \u00fanicas desde cero y luego refinar candidatos de forma iterativa, asegurando que los finalistas muestren fuertes afinidades de uni\u00f3n con los respectivos objetivos farmacol\u00f3gicos, algo crucial para la eficacia de f\u00e1rmacos potenciales. El modelo identifica entre 50 y 100 nuevas mol\u00e9culas que probablemente inhiban estas prote\u00ednas en particular.<\/p>\n\n\n\n
“Este enfoque nos permite generar un f\u00e1rmaco potencial que nunca antes se hab\u00eda concebido”, afirm\u00f3 el Dr. Atamian. “Ha sido probado y validado. Ahora estamos viendo resultados magn\u00edficos”.<\/p>\n\n\n\n
Los investigadores evaluaron las mol\u00e9culas generadas por el f\u00e1rmaco AI seg\u00fan varios criterios y descubrieron que los resultados del f\u00e1rmaco eran de calidad similar a los de otros dos m\u00e9todos comunes y, en algunos casos, mejores. Descubrieron que los f\u00e1rmacos candidatos de DrugAI ten\u00edan una tasa de validez del 100%, lo que significa que ninguno de los f\u00e1rmacos generados estaba presente en el conjunto de entrenamiento.<\/p>\n\n\n\n
A los f\u00e1rmacos candidatos de DrugAI tambi\u00e9n se les midi\u00f3 la semejanza de los f\u00e1rmacos, o la similitud de las propiedades de un compuesto con las de los f\u00e1rmacos orales, y los f\u00e1rmacos candidatos fueron al menos un 42% y un 75% m\u00e1s altos que otros modelos. Adem\u00e1s, todas las mol\u00e9culas generadas por f\u00e1rmacos AI mostraron fuertes afinidades de uni\u00f3n con sus objetivos respectivos, comparables a las identificadas mediante enfoques de detecci\u00f3n virtuales tradicionales.<\/p>\n\n\n\n
Ang, Rakovski y Atamian tambi\u00e9n quer\u00edan ver c\u00f3mo los resultados de DrugAI para una enfermedad espec\u00edfica se comparan con los medicamentos conocidos existentes para esa enfermedad. En un experimento diferente, los m\u00e9todos de detecci\u00f3n generaron una lista de productos naturales que inhib\u00edan las prote\u00ednas del COVID-19. DrugAI gener\u00f3 una lista de nuevos f\u00e1rmacos dirigidos a la misma prote\u00edna para comparar sus caracter\u00edsticas. Compararon la semejanza de los f\u00e1rmacos y la afinidad de uni\u00f3n entre las mol\u00e9culas naturales y los f\u00e1rmacos AI, y encontraron mediciones similares en ambas, pero el f\u00e1rmaco AI pudo identificarlas de una manera mucho m\u00e1s r\u00e1pida y menos costosa.<\/p>\n\n\n\n
Adem\u00e1s, los cient\u00edficos dise\u00f1aron 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 m\u00e1s refinados con una probabilidad a\u00fan mayor de terminar siendo un medicamento real”, dijo el Dr. Atamian. “Estamos emocionados por las posibilidades que existen en el futuro”.<\/p>\n\n\n\n