La aplicación del aprendizaje profundo en la detección de nuevos medicamentos por parte de investigadores
El papel transformador de la Inteligencia Artificial en el diseño de fármacos
Científicos del respetado Instituto de Ciencia y Tecnología de Gwangju, situado en Corea, marcan un hito con la creación de un innovador modelo de aprendizaje profundo capaz de anticipar la unión entre un medicamento y su objetivo molecular específico. El cerebro detrás de esta hazaña es el equipo del Profesor Asociado Hojung Nam junto al Doctorando Ingoo Lee, que bautizaron a su revolucionario modelo como «Aspectos destacados de las secuencias objetivo» (Hojung Nam and Target Sequences’ Highlights), conocido abreviadamente como HoTS.
Su hallazgo se dio a conocer en la prestigiosa Revista de Quimioinformática.[automatic_youtube_gallery type="search" search="Los científicos emplean el aprendizaje profundo para descubrir nuevos medicamentos" cache="2419200" per_page="1" thumb_excerpt="0" player_description="0"]
El desafío de descubrir nuevos fármacos
En el minucioso proceso de descubrimiento de fármacos, se deben probar los medicamentos para verificar su habilidad de vincularse o interactuar con las moléculas objetivo en el organismo. Los modelos de aprendizaje profundo han evidenciado su efectividad en optimizar este proceso, aunque sus predicciones carecen a veces de interpretabilidad. Esto motivó al equipo a concebir HoTS, un modelo que genera mejores predicciones sobre interacciones entre medicamentos y es, además, interpretable.
Es de suma importancia establecer cómo un fármaco interactúa con su molécula objetivo, y esto normalmente implica comparar una estructura en 3D del medicamento y su proteína objetivo en diversas configuraciones, en un proceso conocido como «acoplamiento». Tras este análisis, se determinan mediante múltiples simulaciones los puntos de unión preferidos de diversos medicamentos candidatos a interactuar con una molécula en específico. En estas simulaciones generalmente se confía en modelos de aprendizaje profundo.
La singularidad del modelo HoTS
La verdadera innovación en el modelo ideado por los investigadores radica en su capacidad para predecir interacciones entre un medicamento y su objetivo (DTI) sin necesitar realizar simulaciones o recurrir a estructuras en 3D.
«Comenzamos instructivamente al enseñarle al modelo cuáles partes de una secuencia de proteínas reaccionarían con un medicamento, basándonos en conocimientos previos», expone el profesor Nam. «Posteriormente, utilizamos el modelo entrenado para identificar y prever las posibles interacciones entre medicamentos y proteínas objetivo, mejorando así la precisión en las predicciones. Aprovechando esta metodología, ha sido posible crear un modelo predictivo para las regiones de unión de las proteínas objetivo y sus interacciones con medicamentos sin necesidad de una estructura 3D».
Este revolucionario modelo no requiere analizar la totalidad de la secuencia de proteínas, sino que se concentra en partes que son esenciales para la interacción DTI.
El profesor Nam prosigue: «Guiamos al modelo para que se centre en subregiones específicas de una proteína que son cruciales para prever su posible interacción con fármacos candidatos».
Esta característica aporta una ventaja competitiva al modelo, permitiéndole predecir con mayor exactitud las DTI comparado con otros modelos existentes.
La eficacia de estos nuevos descubrimientos proveerá una base sólida para las futuras simulaciones de acoplamiento, facilitando la predicción de nuevos y efectivos medicamentos candidatos.
«Este modelo empleado en nuestra investigación ha sido diseñado para que simplifique y haga más transparente el proceso de descubrimiento de fármacos. También reduce los riesgos y costos, proporcionando a los investigadores la posibilidad de descubrir mayor cantidad de medicamentos en un plazo de tiempo y con un presupuesto similar», concluye el profesor Nam.