Cuando toma un medicamento, desea saber con precisión lo que hace. Las empresas farmacéuticas pasan por pruebas exhaustivas para asegurarse de que usted lo haga.

Con una nueva técnica basada en el aprendizaje profundo creada en la Escuela de Ingeniería Brown de la Universidad de Rice, pronto podrán comprender mejor cómo se comportarán los fármacos en desarrollo en el cuerpo humano.

El laboratorio de Rice de la científica informática Lydia Kavraki ha presentado Metabolite Translator, una herramienta computacional que predice metabolitos, los productos de interacciones entre moléculas pequeñas como fármacos y enzimas.

Los investigadores de Rice aprovechan los métodos de aprendizaje profundo y la disponibilidad de conjuntos de datos de reacciones masivas para brindar a los desarrolladores una imagen amplia de lo que hará un medicamento. El método no está restringido por las reglas que utilizan las empresas para determinar las reacciones metabólicas, abriendo un camino a nuevos descubrimientos.

"Cuando intentas determinar si un compuesto es un fármaco potencial, tienes que comprobar la toxicidad, "Dijo Kavraki." Quieres confirmar que hace lo que debería, pero también quieres saber qué más podría suceder ".

La investigación de Kavraki, la autora principal y estudiante de posgrado Eleni Litsa y la ex alumna de Rice Payel Das del Centro de Investigación Thomas J. Watson de IBM, se detalla en la revista Royal Society of Chemistry Ciencia química.

Los investigadores entrenaron a Metabolite Translator para predecir metabolitos a través de cualquier enzima, pero comparó su éxito con los métodos existentes basados ​​en reglas que se centran en las enzimas del hígado. Estas enzimas son las encargadas de desintoxicar y eliminar los xenobióticos, como las drogas, pesticidas y contaminantes. Sin embargo, Los metabolitos también se pueden formar a través de otras enzimas.

"Nuestros cuerpos son redes de reacciones químicas, "Dijo Litsa." Tienen enzimas que actúan sobre los productos químicos y pueden romperse o formar enlaces que cambian sus estructuras en algo que podría ser tóxico, o causar otras complicaciones. Las metodologías existentes se centran en el hígado porque la mayoría de los compuestos xenobióticos se metabolizan allí. Con nuestro trabajo, estamos tratando de capturar el metabolismo humano en general.

"La seguridad de un medicamento no depende solo del medicamento en sí, sino también de los metabolitos que se pueden formar cuando el medicamento se procesa en el cuerpo, "Dijo Litsa.

El auge de las arquitecturas de aprendizaje automático que operan sobre datos estructurados, como moléculas químicas, hacer posible el trabajo, ella dijo. Transformer se introdujo en 2017 como un método de traducción de secuencias que ha encontrado un amplio uso en la traducción de idiomas.

Metabolite Translator se basa en SMILES (para "sistema simplificado de entrada de línea de entrada molecular"), un método de notación que utiliza texto sin formato en lugar de diagramas para representar moléculas químicas.

"Lo que estamos haciendo es exactamente lo mismo que traducir un idioma, como del inglés al alemán, "Dijo Litsa.

Debido a la falta de datos experimentales, el laboratorio utilizó el aprendizaje por transferencia para desarrollar Metabolite Translator. Primero entrenaron previamente un modelo de Transformer en 900, 000 reacciones químicas conocidas y luego lo afinó con datos sobre transformaciones metabólicas humanas.

Los investigadores compararon los resultados de Metabolite Translator con los de varias otras técnicas predictivas mediante el análisis de secuencias SMILES conocidas de 65 fármacos y 179 enzimas metabolizantes. Aunque Metabolite Translator se entrenó en un conjunto de datos generales no específicos de medicamentos, Funcionó tan bien como los métodos basados ​​en reglas de uso común que se han desarrollado específicamente para medicamentos. Pero también identificó enzimas que no están comúnmente involucradas en el metabolismo de los fármacos y que no se encontraron con los métodos existentes.

"Tenemos un sistema que puede predecir igualmente bien con sistemas basados ​​en reglas, y no pusimos ninguna regla en nuestro sistema que requiera trabajo manual y conocimiento experto, ", Dijo Kavraki." Con un método basado en el aprendizaje automático, estamos entrenando un sistema para comprender el metabolismo humano sin la necesidad de codificar explícitamente este conocimiento en forma de reglas. Este trabajo no habría sido posible hace dos años ".

Kavraki es el profesor de informática Noah Harding, profesor de bioingeniería, Ingeniería mecánica e ingeniería eléctrica e informática y director del Instituto Ken Kennedy de Rice. Rice University y el Cancer Prevention and Research Institute of Texas apoyaron la investigación.