Científicos de la Universidad de California en San Francisco (UCSF) han desarrollado un nuevo método que puede predecir de forma rápida y precisa cómo interactúan las moléculas pequeñas con las proteínas. Esto podría acelerar significativamente el proceso de descubrimiento de fármacos, que actualmente es un proceso costoso y que requiere mucho tiempo.

El nuevo método, llamado "perfil de interacción proteína-ligando in silico" (iPlip), utiliza el aprendizaje automático para analizar grandes conjuntos de datos experimentales. Luego, estos datos se utilizan para entrenar un modelo informático que puede predecir la probabilidad de que una molécula pequeña se una a una proteína en particular.

Los investigadores probaron iPlip en una variedad de proteínas y moléculas pequeñas y los resultados fueron muy prometedores. iPlip pudo predecir con precisión la afinidad de unión de moléculas pequeñas para el 90% de las proteínas analizadas. Este nivel de precisión podría reducir significativamente la cantidad de experimentos que deben realizarse durante el proceso de descubrimiento de fármacos.

Además de su velocidad y precisión, iPlip también es relativamente económico de usar. Esto podría convertirlo en una herramienta valiosa para pequeñas empresas de biotecnología e investigadores académicos que no tienen los recursos para realizar estudios experimentales a gran escala.

"iPlip tiene el potencial de revolucionar la forma en que descubrimos fármacos", afirmó el líder del estudio, el profesor Brian Shoichet. "Podría acelerar significativamente el proceso de descubrimiento de fármacos y hacerlo más asequible para las pequeñas empresas y los investigadores académicos".

El estudio fue publicado en la revista Nature Communications.

Cómo funciona iPlip

iPlip utiliza el aprendizaje automático para analizar grandes conjuntos de datos experimentales. Luego, estos datos se utilizan para entrenar un modelo informático que puede predecir la probabilidad de que una molécula pequeña se una a una proteína en particular.

El modelo de aprendizaje automático se entrena en una variedad de características, incluida la estructura química de la molécula pequeña, la secuencia de la proteína y los datos experimentales sobre cómo la molécula pequeña se une a la proteína.

Una vez entrenado el modelo, se puede utilizar para predecir la probabilidad de que una nueva molécula pequeña se una a una proteína en particular. Luego, esta información se puede utilizar para guiar el proceso de descubrimiento de fármacos, ayudando a los investigadores a seleccionar las moléculas pequeñas más prometedoras para realizar más pruebas.

Aplicaciones de iPlip

iPlip podría tener un impacto significativo en el proceso de descubrimiento de fármacos. Podría acelerar el proceso de búsqueda de nuevos medicamentos y hacerlo más asequible para las pequeñas empresas y los investigadores académicos.

iPlip también podría utilizarse para identificar nuevos objetivos para el descubrimiento de fármacos. Al identificar proteínas implicadas en enfermedades, iPlip podría ayudar a los investigadores a desarrollar fármacos dirigidos a esas proteínas.

Además del descubrimiento de fármacos, iPlip también podría utilizarse en otras áreas de investigación, como comprender cómo interactúan las proteínas entre sí y cómo las moléculas pequeñas afectan los procesos celulares.