Resumen: Los investigadores han desarrollado un sistema de inteligencia artificial que predice compuestos químicos capaces de actuar sobre dos proteínas simultáneamente, lo que podría generar medicamentos más eficaces. Al entrenar a la inteligencia artificial con un modelo de lenguaje químico, pudo generar nuevas estructuras moleculares con actividad de doble objetivo, una característica esencial para el tratamiento de enfermedades complejas como el cáncer.
La IA produjo compuestos que los químicos no considerarían de inmediato, lo que ofrece nuevas oportunidades para el diseño de fármacos. Este enfoque podría ayudar a identificar opciones de tratamiento innovadoras con menos efectos secundarios.
Datos clave :
- La IA predice compuestos químicos que atacan a dos proteínas simultáneamente.
- Los medicamentos de doble objetivo son valiosos para tratar enfermedades complejas como el cáncer.
- La IA sugiere nuevas estructuras químicas que inspiran nuevos enfoques de diseño de fármacos.
Fuente: Universidad de Bonn
Investigadores de la Universidad de Bonn han entrenado un proceso de inteligencia artificial para predecir posibles ingredientes activos con propiedades especiales. Para ello, han desarrollado un modelo de lenguaje químico, una especie de ChatGPT para moléculas.
Tras una fase de entrenamiento, la IA fue capaz de reproducir exactamente las estructuras químicas de compuestos con actividad dual conocida que pueden ser medicamentos particularmente efectivos.
El estudio ahora ha sido publicado en Cell Reports Physical Science .
Hoy en día, quien quiera deleitar a su abuela con un poema por su 90 cumpleaños no necesita ser poeta: basta con una breve indicación en ChatGPT y, en unos segundos, la IA escupe una larga lista de palabras que riman con el nombre de la cumpleañera. Incluso puede producir un soneto para acompañarlo, si así lo desea.
En su estudio, los investigadores de la Universidad de Bonn han aplicado un modelo similar, el llamado modelo de lenguaje químico. Sin embargo, este no produce rimas, sino que la IA muestra las fórmulas estructurales de compuestos químicos que pueden tener una propiedad especialmente deseable: pueden unirse a dos proteínas diana diferentes. En el organismo, esto significa, por ejemplo, que pueden inhibir dos enzimas a la vez.
Se buscan ingredientes activos con doble efecto
“En la investigación farmacéutica, este tipo de compuestos activos son muy demandados debido a su polifarmacología”, explica el Prof. Dr. Jürgen Bajorath.
El experto en química computacional dirige el área de IA en ciencias de la vida en el Instituto Lamarr de Aprendizaje Automático e Inteligencia Artificial y el programa de Informática de Ciencias de la Vida en b-it (Centro Internacional de Tecnología de la Información de Bonn-Aachen) en la Universidad de Bonn.
“Dado que los compuestos con una actividad multiobjetivo deseable influyen en varios procesos intracelulares y vías de señalización al mismo tiempo, a menudo son particularmente eficaces, como en la lucha contra el cáncer”.
En principio, este efecto también se puede conseguir mediante la administración conjunta de diferentes fármacos. Sin embargo, existe el riesgo de que se produzcan interacciones farmacológicas no deseadas y, además, los diferentes compuestos suelen descomponerse a distintas velocidades en el organismo, lo que dificulta su administración conjunta.
Encontrar una molécula que influya específicamente en el efecto de una proteína diana no es una tarea fácil. Diseñar compuestos que tengan un doble efecto predefinido es aún más complicado. Los modelos de lenguaje químico pueden resultar de ayuda en este sentido en el futuro.
ChatGPT se entrena con miles de millones de páginas de texto escrito y aprende a formular oraciones por sí solo. Los modelos de lenguaje químico funcionan de manera similar, pero solo tienen cantidades comparativamente muy pequeñas de datos disponibles para el aprendizaje.
Sin embargo, en principio también se alimentan con textos, como las llamadas cadenas SMILES, que muestran moléculas orgánicas y su estructura como una secuencia de letras y símbolos.
«Ahora hemos entrenado nuestro modelo de lenguaje químico con pares de cadenas», dice Sanjana Srinivasan del grupo de investigación de Bajorath.
“Una de las cadenas describía una molécula que sabemos que sólo actúa contra una proteína diana. La otra representaba un compuesto que, además de esta proteína, también influye en una segunda proteína diana”.
La IA aprende las conexiones químicas
El modelo fue alimentado con más de 70.000 de estos pares, lo que le permitió adquirir un conocimiento implícito de cómo los compuestos activos normales se diferenciaban de aquellos con el doble efecto.
“Cuando luego lo alimentamos con un compuesto contra una proteína objetivo, sugirió moléculas sobre esta base que actuarían no solo contra esta proteína sino también contra otra”, explica Bajorath.
Los compuestos de entrenamiento con doble efecto a menudo se dirigen a proteínas que son similares y, por lo tanto, realizan una función similar en el cuerpo.
Sin embargo, en la investigación farmacéutica también se buscan principios activos que influyan en clases de enzimas o receptores completamente diferentes. Para preparar la IA para esta tarea, se realizó un ajuste fino después de la fase de aprendizaje general.
Los investigadores utilizaron varias docenas de pares de entrenamiento especiales para enseñarle al algoritmo a qué clases de proteínas diferentes debían dirigirse los compuestos sugeridos. Esto es un poco como ordenarle a ChatGPT que esta vez no cree un soneto, sino un poema rimbombante.
Después del ajuste, el modelo realmente generó moléculas que ya han demostrado actuar contra las combinaciones deseadas de proteínas objetivo.
“Esto demuestra que el proceso funciona”, afirma Bajorath.
Sin embargo, en su opinión el punto fuerte de este enfoque no es que se puedan encontrar de inmediato nuevos compuestos que superen el efecto de los fármacos disponibles.
“Lo más interesante, desde mi punto de vista, es que la IA a menudo sugiere estructuras químicas en las que la mayoría de los químicos ni siquiera pensarían de inmediato”, explica.
“Hasta cierto punto, genera ideas innovadoras y aporta soluciones originales que pueden dar lugar a nuevas hipótesis y enfoques de diseño”.
Instituciones participantes y financiación:
El estudio se llevó a cabo en la Universidad de Bonn, en el Instituto Lamarr y b-it.
Acerca de esta noticia sobre investigación en IA y farmacología
Autor: Katrin Piecha
Fuente: Universidad de Bonn
Contacto: Katrin Piecha – Universidad de Bonn
Imagen: La imagen se atribuye a Neuroscience News
Investigación original: Acceso abierto.
“ Generación de compuestos de doble objetivo utilizando un modelo de lenguaje químico transformador ” por Jürgen Bajorath et al. Cell Reports Physical Science
