El descubrimiento de fármacos podría acelerarse significativamente gracias a un nuevo modelo de aprendizaje automático de alta precisión, desarrollado por una colaboración internacional de investigadores, incluida la Universidad de Warwick.
El algoritmo, ideado en parte por el Dr. James Kermode de la Escuela de Ingeniería de Warwick, puede predecir con precisión las interacciones entre una proteína y una molécula de fármaco basándose en un puñado de experimentos o simulaciones de referencia.
Usando solo unas pocas referencias de entrenamiento, puede predecir si una molécula de fármaco candidata se unirá o no a una proteína objetivo con un 99% de precisión.
Esto es equivalente a predecir con casi certeza la actividad de cientos de compuestos después de probarlos, ejecutando solo un par de docenas de pruebas. El nuevo método podría acelerar la selección de moléculas candidatas miles de veces.
El algoritmo también puede abordar problemas de ciencia de materiales, como el modelado de las propiedades sutiles de las superficies de silicio, y promete revolucionar el modelado químico y de materiales, brindando información sobre la naturaleza de las fuerzas intermoleculares.
El enfoque, desarrollado por científicos de la Universidad de Warwick, el Laboratorio de Ciencias Computacionales y Modelado de la École polytechnique fédérale de Lausanne, la Universidad de Cambridge, el Consejo de Instalaciones Científicas y Tecnológicas del Reino Unido y el Laboratorio de Investigación Naval de EE. las moléculas son cruciales para la interacción.
El Dr. James Kermode, del Centro Warwick de Modelado Predictivo y la Escuela de Ingeniería de la Universidad de Warwick, comentó sobre la investigación:
«Este trabajo es emocionante porque proporciona un enfoque de aprendizaje automático de propósito general que es aplicable tanto a materiales como a moléculas.
«Se espera que la investigación conduzca a un aumento significativo en la precisión y la transferibilidad de los modelos utilizados para el diseño de fármacos y para describir las propiedades mecánicas de los materiales».
El diseño de este algoritmo, que combina información local de la vecindad de cada átomo en una estructura, lo hace aplicable a muchas clases diferentes de problemas químicos, de ciencia de materiales y bioquímicos.
El enfoque tiene un éxito notable en la predicción de la estabilidad de las moléculas orgánicas, así como el equilibrio de energía sutil que rige las estructuras de silicio cruciales para las aplicaciones microelectrónicas, y lo hace con una pequeña fracción del esfuerzo computacional involucrado en un cálculo mecánico cuántico.
La investigación ilustra cómo el descubrimiento de productos químicos y materiales ahora se beneficia de los enfoques de aprendizaje automático e inteligencia artificial que ya son la base de tecnologías que van desde automóviles autónomos hasta bots para jugar y diagnósticos médicos automatizados.
Nuevos algoritmos nos permiten predecir el comportamiento de nuevos materiales y moléculas con gran precisión y poco esfuerzo computacional, ahorrando tiempo y dinero en el proceso.
