Descubrir y diseñar un nuevo fármaco es una de las tareas más desafiantes en las ciencias biológicas. Se necesitan más de 10 años y alrededor de 2.600 millones de dólares para llevar un medicamento promedio al mercado.

La idea esencial detrás de la fabricación de un nuevo fármaco es crear una molécula que se una a un objetivo, como una proteína o ADN, para activar o inhibir su función biológica. Ese, Sucesivamente, debe conducir a un beneficio terapéutico para el paciente.

Idealmente, la droga debe ser altamente selectiva, lo que significa que se une fuertemente a la molécula objetivo sin afectar a ninguna otra molécula similar y que se lleva bien con el sistema metabólico humano. Hay muchos pasos antes de que el medicamento pueda salir al mercado, incluyendo pruebas de toxicidad, tres fases de ensayos clínicos y mediciones para determinar la dosis adecuada.

Si bien muchas personas se sorprendieron por el poder de la inteligencia artificial cuando AlphaGo venció a los expertos humanos en Go por primera vez hace unos años, no estaba claro si la IA podría abordar los desafíos científicos.

Pero, el pasado diciembre, DeepMind de Google ganó el concurso Critical Assessment of Structure Prediction utilizando su último sistema de inteligencia artificial, AlphaFold. Esta competencia reconoce la tecnología que mejor puede construir la estructura tridimensional de una proteína a partir de secuencias biológicas. AlphaFold pudo ganar 25 de 43 concursos con gran precisión. En comparación, el siguiente mejor equipo ganó solo tres.

El triunfo dominante de AlphaFold marca el comienzo de una nueva era de investigación científica. Los científicos como yo estamos entusiasmados con lo que depara el futuro para la biomedicina. La IA hará que el descubrimiento de nuevos medicamentos sea significativamente más rápido y económico. Esto podría ser particularmente beneficioso para pacientes con enfermedades raras, para quienes el descubrimiento de medicamentos actualmente no es rentable o para aquellos cuyas dolencias médicas actualmente no pueden tratarse de manera efectiva con medicamentos, como la enfermedad de Alzheimer.

Diseño de fármacos automatizado

Sin embargo, El diseño de fármacos es mucho más complejo que la predicción del plegamiento de proteínas.

Redes generativas de confrontación, un tipo de programa de inteligencia artificial de vanguardia, podría ser un prototipo para el descubrimiento automatizado de fármacos. Una parte del programa genera moléculas potenciales que podrían usarse en medicamentos, mientras que el otro elimina a los candidatos no calificados en función de la información de la base de datos existente y los requisitos de medicamentos ideales.

El generador aprende de los errores detectados por el discriminador hasta que el discriminador está satisfecho.

Uno de los principales obstáculos para el diseño automatizado de fármacos es la magnitud extrema del problema. Una proteína humana típica y su fármaco de unión tienen muchos, muchas configuraciones posibles. Incluso si una computadora enumera una posible configuración por segundo, Todavía tomaría más tiempo del que ha existido el universo para alcanzar la configuración correcta.

Incluso todas las computadoras del mundo juntas no tienen suficiente potencia para diseñar medicamentos automáticamente.

Desenredando las moléculas

En mi laboratorio abordamos estos desafíos matemáticamente. Nuestro trabajo se enfoca en reducir la complejidad geométrica de proteínas individuales para computadoras. Cada proteína tiene una forma única que afecta a las moléculas a las que podría unirse. Hemos introducido tres métodos matemáticos que aumentan en gran medida la capacidad de la computadora para representar nuevas moléculas de fármacos y cómo podrían interactuar con las proteínas del cuerpo humano.

Por ejemplo, el primer método utiliza geometría diferencial, una técnica utilizada por Einstein para formular su teoría general de la relatividad que explicaba el espacio, el tiempo y los movimientos de las estrellas. Lo usamos para describir las superficies de contacto y las interacciones de proteínas y fármacos. Eso hace que sea más fácil para la computadora evaluar cómo reaccionaría la proteína a una molécula de fármaco determinada.

Otro método se llama topología algebraica, que proporciona una abstracción de alto nivel de las interacciones proteína-fármaco para que una computadora pueda captar fácilmente la diferencia entre un fármaco adecuado y un señuelo. El otro método, Teoría de grafos, examina la amplia variedad de formas en que una proteína puede interactuar con un fármaco, como el enlace de hidrógeno, interacciones o reacciones electrostáticas al agua. Al estudiar todas estas posibles interacciones, podemos estar atentos a cualquier cosa que pueda ser perjudicial para la salud humana.

El impacto de nuestros enfoques matemáticos se relaciona mejor a través de D3R Grand Challenges, un concurso mundial anual en el que los participantes ponen a prueba sus herramientas contra los problemas de encuadernación y presentación de medicamentos recetados. Ganamos el 14 por ciento de los concursos en Grand Challenge 2 en 2016, mejorando esto a una tasa de victorias del 38 por ciento en el Gran Desafío 3 en 2017. El segundo ganador tuvo una tasa de victorias del 19 por ciento.

En el último Grand Challenge 4, Los resultados preliminares indican que podríamos tener las mejores predicciones en el 50 por ciento de los concursos. Nuestro enfoque es decenas de miles de veces más rápido que los métodos tradicionales basados ​​en simulaciones moleculares.

Estimulado por este éxito, we have entered into partnerships with Pfizer to improve mathematical AI tools for virtual screening and with Bristol-Myers Squibb to predict drug efficacy and optimize doses.

Integrating advanced mathematics and AI provides a powerful way to search for new drugs. It might be that, just a decade down the road, AI will become a leading force for new drug discovery, leading to less expensive and more efficient drugs.

Este artículo se ha vuelto a publicar de The Conversation con una licencia de Creative Commons. Lea el artículo original.