Los investigadores han diseñado un algoritmo de aprendizaje automático para el descubrimiento de fármacos que ha demostrado ser dos veces más eficiente que el estándar de la industria. lo que podría acelerar el proceso de desarrollo de nuevos tratamientos para enfermedades.

Los investigadores, dirigido por la Universidad de Cambridge, utilizó su algoritmo para identificar cuatro nuevas moléculas que activan una proteína que se cree que es relevante para los síntomas de la enfermedad de Alzheimer y la esquizofrenia. Los resultados se informan en la revista. PNAS .

Un problema clave en el descubrimiento de fármacos es predecir si una molécula activará un proceso fisiológico particular. Es posible construir un modelo estadístico buscando patrones químicos compartidos entre moléculas que se sabe que activan ese proceso, pero los datos para construir estos modelos son limitados porque los experimentos son costosos y no está claro qué patrones químicos son estadísticamente significativos.

"El aprendizaje automático ha logrado un progreso significativo en áreas como la visión por computadora, donde los datos son abundantes, "dijo el Dr. Alpha Lee del Laboratorio Cavendish de Cambridge, y el autor principal del estudio. "La próxima frontera son las aplicaciones científicas como el descubrimiento de fármacos, donde la cantidad de datos es relativamente limitada pero tenemos conocimientos físicos sobre el problema, y la pregunta es cómo casar los datos con la química y la física fundamentales ".

El algoritmo desarrollado por Lee y sus colegas, en colaboración con la empresa biofarmacéutica Pfizer, utiliza las matemáticas para separar los patrones químicos farmacológicamente relevantes de los irrelevantes.

En tono rimbombante, el algoritmo observa tanto moléculas que se sabe que están activas como moléculas que se sabe que están inactivas, y aprende a reconocer qué partes de las moléculas son importantes para la acción de los fármacos y cuáles no. Un principio matemático conocido como teoría de matrices aleatorias proporciona predicciones sobre las propiedades estadísticas de un conjunto de datos aleatorio y ruidoso, que luego se compara con las estadísticas de características químicas de moléculas activas / inactivas para destilar qué patrones químicos son realmente importantes para la unión en lugar de surgir simplemente por casualidad.

Esta metodología permite a los investigadores pescar patrones químicos importantes no solo de moléculas que están activas, sino también de moléculas inactivas, en otras palabras, Los experimentos fallidos ahora pueden explotarse con esta técnica.

Los investigadores construyeron un modelo a partir de 222 moléculas activas, y pudieron analizar computacionalmente seis millones de moléculas adicionales. De esto, los investigadores compraron y seleccionaron las 100 moléculas más relevantes. A partir de estos, identificaron cuatro nuevas moléculas que activan el receptor CHRM1, una proteína que puede ser relevante para la enfermedad de Alzheimer y la esquizofrenia.

"La capacidad de extraer cuatro moléculas activas de seis millones es como encontrar una aguja en un pajar, ", dijo Lee." Una comparación directa muestra que nuestro algoritmo es dos veces más eficiente que el estándar de la industria ".

Hacer moléculas orgánicas complejas es un desafío importante en química, y las drogas potenciales abundan en el espacio de las moléculas aún inconmovibles. Los investigadores de Cambridge están desarrollando actualmente algoritmos que predicen formas de sintetizar moléculas orgánicas complejas, además de extender la metodología de aprendizaje automático al descubrimiento de materiales.

La investigación fue apoyada por el Programa Winton para la Física de la Sostenibilidad.