El descubrimiento y formulación de nuevos fármacos. antivirales, Los antibióticos y, en general, los productos químicos con propiedades personalizadas es un proceso largo y laborioso. Investigación interdisciplinar en la encrucijada de la bioquímica, la física y la informática pueden cambiar esto. El desarrollo de métodos de aprendizaje automático (ML), combinado con los primeros principios de la mecánica cuántica y estadística y entrenado en grandes conjuntos de datos moleculares cada vez más disponibles, tiene el potencial de revolucionar el proceso de descubrimiento químico.

"El descubrimiento de sustancias químicas y el aprendizaje automático están destinados a evolucionar juntos, pero lograr una verdadera sinergia entre ellos requiere resolver muchos desafíos pendientes, "dice Alexandre Tkatchenko, Catedrático de Física Química Teórica de la Universidad.

Aprendizaje automático para ayudar a identificar candidatos a fármacos

La Universidad inició una colaboración con la compañía belga Janssen Pharmaceuticals en la primavera de 2020 para desarrollar nuevos métodos de ML para identificar compuestos que tienen un fuerte potencial terapéutico (también llamados candidatos a fármacos). Hasta aquí, Se han desarrollado enfoques de ML para moléculas pequeñas. Este proyecto de investigación tiene como objetivo ampliar la arquitectura y la transferibilidad de los enfoques de aprendizaje automático basados ​​en la mecánica cuántica a grandes moléculas de importancia farmacéutica.

"La generación de productos químicos novedosos con actividad sobre objetivos biológicos relevantes es el negocio principal de las empresas farmacéuticas. Los enfoques de aprendizaje automático tienen el potencial de acelerar el proceso y reducir las tasas de falla en el descubrimiento de fármacos. Una empresa farmacéutica líder se acercó a trabajar en conjunto en la identificación de candidatos a fármacos es un signo gratificante del reconocimiento industrial de nuestra experiencia, "comenta el Dr. Leonardo Medrano-Sandonas, investigador postdoctoral en el grupo del Prof. Tkatchenko.

Socio de una red de formación innovadora financiada por la Comisión Europea

Junto con tres grandes empresas farmacéuticas europeas (Bayer, AstraZeneca, Janssen), la empresa química Enamine y diez socios académicos con experiencia en diseño computacional de fármacos, El profesor Tkatchenko recibió la subvención Marie Sklodowska-Curie Actions — Innovative Training Network para el proyecto Advanced machine learning for Innovative Drug Discovery (AIDD) para el período 2021-2023. Este proyecto tiene como objetivo desarrollar métodos de aprendizaje automático innovadores para contribuir a un modelo integrado "Una química" que puede predecir resultados que van desde la generación de moléculas hasta la síntesis y comprender cómo entrelazar la química y la biología para desarrollar nuevos fármacos.

Aquí la experiencia científica une fuerzas con la experiencia en química medicinal y sintética de los socios industriales, y se beneficia de grandes conjuntos de datos valiosos. Por primera vez, todos los desarrollos metodológicos estarán disponibles en código abierto. La red de capacitación preparará a una generación de científicos que tienen habilidades tanto en aprendizaje automático como en química para promover la química médica.

"Hacer predicciones precisas mediante el aprendizaje automático depende fundamentalmente del acceso a grandes colecciones de datos de alta calidad y experiencia en el dominio para analizarlos, ", explica el profesor Tkatchenko." Unir nuestras fuerzas es un primer paso hacia una revolución de descubrimiento químico impulsada por el aprendizaje automático ".

Está surgiendo el campo del aprendizaje automático para el descubrimiento de sustancias químicas, y se espera que se produzcan avances sustanciales en un futuro próximo. El profesor Tkatchenko ha publicado recientemente un artículo en la revista Comunicaciones de la naturaleza en el que analiza los avances recientes en este campo y destaca los desafíos para los años venideros. El artículo está disponible en línea.