Un algoritmo diseñado por investigadores del Departamento de Biología Computacional de la Universidad Carnegie Mellon y la Universidad Estatal de San Petersburgo en Rusia podría ayudar a los científicos a identificar moléculas desconocidas. El algoritmo llamado MolDiscovery, utiliza datos de espectrometría de masas de moléculas para predecir la identidad de sustancias desconocidas, decirle a los científicos al principio de su investigación si se han topado con algo nuevo o simplemente han redescubierto algo ya conocido.

Este desarrollo podría ahorrar tiempo y dinero en la búsqueda de nuevos productos naturales que puedan usarse en medicina.

"Los científicos pierden mucho tiempo aislando moléculas que ya se conocen, esencialmente redescubriendo la penicilina, "dijo Hosein Mohimani, un profesor asistente y parte del equipo de investigación. "Detectar si una molécula es conocida o no desde el principio puede ahorrar tiempo y millones de dólares, y se espera que permita a las compañías farmacéuticas ya los investigadores buscar mejor productos naturales novedosos que podrían resultar en el desarrollo de nuevos medicamentos ".

El trabajo del equipo, "MolDiscovery:aprendizaje de la fragmentación por espectrometría de masas de moléculas pequeñas, "fue publicado recientemente en Comunicaciones de la naturaleza . El equipo de investigación incluyó a Mohimani; Doctorado en CMU los estudiantes Liu Cao y Mustafa Guler; Yi-Yuan Lee, asistente de investigación en CMU; y Azat Tagirdzhanov y Alexey Gurevich, ambos investigadores del Centro de Biotecnología Algorítmica de la Universidad Estatal de San Petersburgo.

Mohimani, cuya investigación en el Laboratorio de Metabolómica y Metagenómica se centra en la búsqueda de nuevos, drogas de origen natural, dicho después de que un científico detecta una molécula prometedora como fármaco potencial en una muestra marina o de suelo, por ejemplo, puede llevar un año o más identificar la molécula sin garantía de que la sustancia sea nueva. MolDiscovery utiliza medidas de espectrometría de masas y un modelo de aprendizaje automático predictivo para identificar moléculas de forma rápida y precisa.

Las mediciones de espectrometría de masas son las huellas dactilares de moléculas, pero a diferencia de las huellas dactilares, no existe una enorme base de datos para compararlas. Aunque se han descubierto cientos de miles de moléculas naturales, los científicos no tienen acceso a sus datos de espectrometría de masas. MolDiscovery predice la identidad de una molécula a partir de los datos de espectrometría de masas sin depender de una base de datos de espectros de masas para compararla.

El equipo espera que MolDiscovery sea una herramienta útil para los laboratorios en el descubrimiento de nuevos productos naturales. MolDiscovery podría funcionar en conjunto con NRPminer, una plataforma de aprendizaje automático desarrollada por el laboratorio de Mohimani, que ayuda a los científicos a aislar productos naturales. La investigación relacionada con NRPminer también se publicó recientemente en Comunicaciones de la naturaleza .