Una nueva línea de herramientas de simulación e inteligencia artificial puede hacer que el proceso de selección de candidatos a fármacos para COVID-19 50, 000 veces más rápido.

Para encontrar un medicamento que pueda detener el virus SARS-CoV-2, los científicos quieren analizar miles de millones de moléculas para encontrar la combinación correcta de propiedades. El proceso suele ser arriesgado y lento, a menudo tarda varios años. Sin embargo, un equipo internacional de científicos dice que han encontrado una manera de hacer que el proceso sea 50, 000 veces más rápido usando inteligencia artificial (IA).

Diez organizaciones, incluido el Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), han desarrollado una serie de técnicas de simulación e inteligencia artificial para acelerar el descubrimiento de fármacos candidatos prometedores para el COVID-19, la enfermedad causada por el virus SARS-CoV-2. La tubería se llama IMPECABLE, abreviatura de Integrated Modeling PipelinE para COVID Cure mediante la evaluación de mejores clientes potenciales.

"Con la IA que implementamos, hemos podido seleccionar cuatro mil millones de posibles fármacos candidatos en cuestión de un día, mientras que las herramientas computacionales existentes solo pueden filtrar de manera realista entre uno y diez millones, "dijo Thomas Brettin, gerente de programa estratégico en Argonne.

Por qué se necesita un enfoque integrado

IMPECCABLE integra múltiples técnicas para el procesamiento de datos, modelado y simulación basados ​​en la física, y aprendizaje automático, una forma de IA que utiliza patrones en los datos para generar modelos predictivos.

"Integramos múltiples enfoques porque no existe un algoritmo o método único que pueda funcionar por sí solo con gran eficiencia y precisión, ", dijo el biólogo computacional de Argonne Arvind Ramanathan." Si solo confiáramos en simulaciones, nos llevaría años encontrar un objetivo probable, incluso con las supercomputadoras más rápidas ".

Componentes de la tubería

Al comienzo del oleoducto, Se utilizan técnicas computacionales para calcular las propiedades básicas de miles de millones de moléculas. Estos datos se utilizan en la siguiente etapa del proceso para crear modelos de aprendizaje automático que pueden predecir la probabilidad de que una molécula determinada se una a una proteína viral conocida. Los que se consideran más prometedores se simulan en sistemas informáticos de alto rendimiento.

"Las proteínas son estructuras fluidas, y las simulaciones nos muestran nuevas conformaciones para ellos. Los usamos para mejorar nuestros modelos de aprendizaje automático, ", dijo el científico computacional de Argonne Austin Clyde." El proceso iterativo continúa hasta que podamos validar que las moléculas que hemos identificado como susceptibles de unirse a las proteínas del SARS-CoV-2 son prometedoras ".

También se están recopilando grandes conjuntos de datos experimentales de miles de cristales de proteínas utilizando rayos X en la Fuente de Fotones Avanzada (APS), una instalación para usuarios de la Oficina de Ciencias del DOE en el campus de Argonne. La técnica que están usando para obtener estos datos se conoce como cristalografía de rayos X. Con eso, los investigadores pueden capturar imágenes detalladas de proteínas virales y sus estados químicos para mejorar la precisión de sus modelos de aprendizaje automático.

"Desde el comienzo de la pandemia, hemos podido determinar más de 45 estructuras cristalinas de alta resolución de proteínas del SARS-CoV-2 y sus complejos con otros compuestos. Esta informacion, cuando se combina con el análisis computacional, puede proporcionar información crítica para futuros esfuerzos de diseño de fármacos basados ​​en la estructura y permitir el diseño de inhibidores de mayor afinidad y, en última instancia, terapias que se pueden usar para tratar COVID-19, "dijo Andrzej Joachimiak, director del Centro de Biología Estructural (SBC) en la línea de luz 19-ID-D del APS.

Los objetivos finales de la tubería son (1) comprender la función de las proteínas virales; (2) identificar moléculas con un alto potencial para unirse a estas proteínas y, como resultado, bloquear la proliferación de SARS-CoV-2; y (3) entregar esta información a los diseñadores y desarrolladores de medicamentos para una mayor investigación y desarrollo.

"A diferencia del enfoque tradicional, donde confía en que el científico piense mucho y, basado en lo que saben, inventar ideas para una molécula, con nuestra canalización, puede filtrar una gran cantidad de moléculas automáticamente, aumentar drásticamente sus posibilidades de encontrar un candidato probable, "dijo Ian Foster, director de la división de aprendizaje y ciencia de datos de Argonne.