Una IA ha propuesto 32 nuevos fármacos que podrían ser un éxito contra el cáncer
POLYGON es un algoritmo diseñado para generar moléculas potencialmente terapéuticas a la carta
Madrid Creada:
Última actualización:
Hoy, la revista Nature Communications ha publicado un estudio de la Universidad de California-San Diego en el que los investigadores han logrado desarrollar un algoritmo de inteligencia artificial que, a su vez, ha propuesto 32 posibles fármacos nuevos para tratar el cáncer. Un resultado realmente prometedor para la investigación farmacéutica. Si echamos la vista atrás tan solo 4 años nos encontraremos un artículo de este mismo periódico titulado “La inteligencia artificial que revolucionará la industria farmacéutica”, y no estábamos desencaminados.
En él decíamos: “esta misma semana, AlphaFold ha demostrado un rendimiento que, según los datos publicados y a la espera del artículo científico detallado, parece tener una precisión comparable con los métodos más punteros para caracterizar proteínas”. Aquel 3 de diciembre de 2020, la sociedad empezó a presar atención al potencial que la IA tenía para cambiar la investigación sanitaria y, desde entonces, son decenas los éxitos cosechados por distintos proyectos de investigación. Este no está directamente relacionado con aquel éxito de AlphaFold, pero no se queda atrás. Este equipo de investigadores liderado por Trey Ideker, es el último ejemplo.
Un camino largo y sin garantías
Diseñar un nuevo fármaco no es fácil. Desde la pandemia, la población descubrió lo complejo que resulta pasar los ensayos clínicos necesarios para que un fármaco sea aprobado. Debe demostrar su seguridad con animales y, posteriormente, en personas. Una vez probado esto, es hora de valorar su eficacia, tanto en condiciones más ideales como en un grupo grande de personas que represente la variabilidad esperable en la población general.
No obstante, hay un paso previo que suele ser especialmente complejo, un ejercicio de toma de decisiones y gestión de la incertidumbre: hay que elegir qué molécula vamos a probar, y no podemos estar seguros de haber elegido la correcta. Un paso en falso podría comprometernos a estudiar la molécula incorrecta durante todos los años que duren los ensayos clínicos, con todo el gasto de tiempo y recursos económicos que eso supone, por supuesto. Pues bien, este algoritmo de inteligencia artificial propone una alternativa.
Todo son formas
Hemos normalizado bastante la presencia de las IAs en nuestras vidas y nos va sorprendiendo menos que sean capaces de diseñarnos imágenes a medida. Podemos pedirles el retrato de una persona de 80 años acariciando un pulpo en ropa de balé y nos la darán. Conocen casi una infinidad de ejemplos y han encontrado tendencias, saben que algunas de estas palabras se correlacionan con determinadas formas, distribuciones concretas de píxeles por la pantalla. Eso es, más o menos, lo que los investigadores han logrado hacer para el mundo farmacéutico.
Los fármacos son, por lo general, cadenas de moléculas más pequeñas llamadas aminoácidos. El orden que tengan estos aminoácidos determinará cómo han de plegarse, como si fueran las instrucciones de una figura de papiroflexia. Y, en función de la forma que adquieran tras estas dobleces, la molécula resultante tendrá unas funciones u otras. En parte, porque podrá engancharse en determinadas estructuras, por un sistema de especificidad parecido al de una llave con su cerradura, un acople totalmente dependiente de su forma.
Así pues… la forma de las moléculas que constituyen los fármacos condiciona fuertemente su función, hay una correlación y la IA puede aprenderla. Eso significa que, igual que podemos pedirle la imagen de un octogenario acariciando un pulpo con tutú, podemos pedirle una molécula capaz de universe a donde queremos para tratar una enfermedad concreta.
32 alternativas
El algoritmo, en este caso, ha recibido el nombre de POLYGON, y hace exactamente eso. Los investigadores lo usaron para generar cientos de candidatos a medicamentos que pudieran unirse a dos proteínas relacionadas con el cáncer: la MEK1 y la mTOR. Cuando ambas son inhibidas, interfieren con el correcto funcionamiento de las células cancerosas, que acaban muriendo de manera selectiva. Aunque, han de inhibirse ambas para que tenga efecto.
De estos cientos de opciones, los investigadores lograron identificar 32 especialmente prometedores, ya que eran potencialmente eficientes inhibiendo a las dos moléculas de manera simultánea. Por ahora es más bien una promesa, pero con el potencial de convertirse en uno de los mayores éxitos de este extraño matrimonio entre la IA y la farmacología.
"Aunque tenga los medicamentos candidatos, todavía necesita hacer toda la otra química que se necesita para refinar esas opciones en un tratamiento único y efectivo", dijo Trey Ideker, investigador principal, profesor en el Departamento de Medicina de la Escuela de Medicina de Universidad de California-San Diego y profesor adjunto de bioingeniería y ciencias de la computación en la Escuela de Ingeniería de la misma universidad. "No podemos ni debemos intentar eliminar la experiencia humana del proceso de descubrimiento de medicamentos, pero lo que sí podemos hacer es acortar algunos pasos del proceso".
- Como última vuelta de tuerca, algunas proteínas están compuestas por varias cadenas distintas de aminoácidos, cada una con su estructura primaria, secundaria y terciaria, pero que se unen para formar entre sí lo que se conoce como la estructura cuaternaria. Pliegues sobre pliegues, si queremos verlo así. La estructura primaria serían las primeras dobleces de una pajarita de papel, la secundaria las segundas y la terciaria la pajarita terminada, pero habría una estructura cuaternaria a tener en cuenta para estos fármacos que consistiría, por continuar con la analogía, en varias pajaritas unidas entre sí.
- “De novo generation of multi-target compounds using deep generative chemistry” Nature Communications (2024) [[LINK:EXTERNO|||https://www.nature.com/articles/s41467-024-47120-y|||https://www.nature.com/articles/s41467-024-47120-y]]