• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  Science >> Ciencia >  >> Química
    El modelo de aprendizaje automático descubre nuevas oportunidades de diseño de fármacos
    Relaciones básicas entre los descriptores. Cada punto de datos representa una molécula y se proyecta en el espacio bidimensional de dos descriptores como se muestra. Algunas de las propiedades más comunes encontradas entre los descriptores son:a correlaciones lineales, b correlaciones no lineales, y c no correlacionado. Los números en cada uno de los paneles se calculan mediante correlaciones estándar (es decir, coeficiente de Pearson), C yo j y correlaciones de rango, R yo j . Como se muestra, las correlaciones de rango capturan mejor la relación no lineal que se muestra en el panel central. Crédito:Química de las Comunicaciones (2024). DOI:10.1038/s42004-024-01161-y

    Los patógenos no son más que adaptables, y su capacidad para protegerse contra los antibióticos plantea cada vez más un problema de salud pública. Un equipo de investigación dirigido por el Laboratorio Nacional de Los Álamos ha utilizado el aprendizaje automático, una aplicación de inteligencia artificial, para identificar propiedades moleculares que podrían guiar el descubrimiento de nuevos tipos de antibióticos, especialmente entre patógenos considerados críticos por la Organización Mundial de la Salud debido a su alto contenido bacteriano. resistencia.



    Los hallazgos se publican en la revista Communications Chemistry. .

    "Algunos patógenos tienen propiedades que los hacen muy eficaces para resistir los antibióticos", dijo Gnana Gnanakaran, científico de Los Alamos. "El descubrimiento de compuestos específicos capaces de penetrar e inhibir algunos patógenos es un desafío de aguja en el pajar debido a la gran heterogeneidad y profundidad del espacio químico, y la complejidad de las interacciones moleculares a través de las membranas bacterianas. El enfoque que empleamos es capaz de sondear los perfiles de nivel molecular específicos de la bacteria necesarios para desarrollar un fármaco exitoso".

    Defensas bacterianas contra los antibióticos

    Las bacterias gramnegativas tienen una membrana externa menos permeable a la rotura de compuestos, como los que componen los antibióticos, y las bacterias también pueden expulsar compuestos que entran, lo que reduce la eficacia de un antibiótico.

    Los modelos basados ​​en datos tienen potencial para identificar propiedades moleculares que podrían superar dichas defensas bacterianas, pero los cálculos precisos para realizar esas determinaciones son desafiantes y requieren amplios recursos informáticos. Los compuestos químicamente diversos pueden contener muchas propiedades relevantes; el estudio impulsado por el aprendizaje automático redujo el espectro relevante de esas propiedades y estableció reglas empíricas que predecirían la capacidad del compuesto para permear la membrana externa de la bacteria.

    El modelo de aprendizaje automático identifica propiedades para combatir patógenos

    Centrándose específicamente en la bacteria gramnegativa Pseudomonas aeruginosa, el equipo de investigación desarrolló un modelo de aprendizaje automático para identificar los descriptores relevantes asociados con los compuestos y predecir el éxito de esos compuestos a la hora de penetrar las membranas externas de las bacterias y evitar la expulsión. El equipo se basó en capacidades informáticas de alto rendimiento en Los Álamos para extraer las propiedades moleculares de la permeación a partir de simulaciones que consideraron 1260 compuestos químicamente diversos a medida que atraviesan la membrana bacteriana.

    Su análisis arroja nueva luz sobre las propiedades clave que los fármacos candidatos necesitan para penetrar eficazmente en Pseudomonas aeruginosa y abre la puerta a estudios similares basados ​​en datos en otros patógenos gramnegativos.

    "Las técnicas de aprendizaje automático que hemos empleado en este análisis apuntan a un enfoque prometedor para estudios similares basados ​​en datos en otras membranas biológicas, incluida la barrera hematoencefálica", afirmó Gnanakaran.

    Más información: Pedro D. Manrique et al, Predicción de la permeación de compuestos a través de la membrana externa de P. aeruginosa utilizando descriptores moleculares, Química de las Comunicaciones (2024). DOI:10.1038/s42004-024-01161-y

    Información de la revista: Química de las Comunicaciones

    Proporcionado por el Laboratorio Nacional de Los Álamos




    © Ciencia https://es.scienceaq.com