Descubrir futuros medicamentos a partir de decenas de miles de millones de moléculas resulta mucho menos costoso gracias a un nuevo método basado en la inteligencia artificial.
Antes de fabricar y probar una molécula en el laboratorio, los investigadores quieren simular su interacción y, por tanto, su eficacia sobre una proteína diana. Esta etapa, denominada cribado virtual, permite descartar rápidamente numerosos candidatos. El problema aparece cuando la biblioteca contiene miles de millones de moléculas: los cálculos se vuelven muy largos y costosos.
Un conjunto de tubos de ensayo.
Imagen ilustrativa de Unsplash
Un equipo internacional ha desarrollado AdaptiveFlow para reducir esta carga. La plataforma dispone de una biblioteca de 69.000 millones de moléculas ya preparadas para las simulaciones. En lugar de probar cada molécula con la misma precisión, comienza organizando esta inmensa colección según sus propiedades.
En concreto, AdaptiveFlow distribuye las moléculas en una cuadrícula definida por 18 características, como su masa o su capacidad para disolverse en agua. Primero se prueban algunas representantes de cada grupo. A continuación, los grupos que ofrecen los resultados más prometedores pueden explorarse de forma mucho más amplia.
La inteligencia artificial puede intervenir en esta etapa. Un modelo aprende a partir de los primeros cálculos para identificar las moléculas que merecen más atención. Según los investigadores, esta estrategia puede reducir hasta 1.000 veces el coste informático en comparación con el examen exhaustivo de los 69.000 millones de moléculas.
Para comprobar que el sistema no se limitaba a producir buenos resultados únicamente en el ordenador, el equipo lo aplicó a dos proteínas relacionadas con el cáncer. Una de ellas, PARP1, participa en la reparación del ADN y ya es una diana de medicamentos. La otra, FSP1, ayuda a ciertas células a resistir una forma particular de muerte celular.
A continuación, algunas moléculas seleccionadas mediante los cálculos se fabricaron y probaron en condiciones reales. Varias bloquearon con gran eficacia, tal como se pretendía, las proteínas buscadas. En el caso de PARP1, uno de los candidatos alcanzó una eficacia de unión comparable a la del olaparib, un medicamento que ya se utiliza contra determinados cánceres. Sin embargo, no se trata de un nuevo medicamento listo para ser administrado: estas moléculas siguen siendo puntos de partida para nuevas investigaciones.
AdaptiveFlow se ha publicado en acceso abierto y su código está disponible gratuitamente. Por tanto, las próximas aplicaciones podrán probar este enfoque con otras proteínas y otras bibliotecas, y después comprobar en el laboratorio si los candidatos seleccionados conservan sus propiedades en células y, más adelante, en organismos vivos.