El aprendizaje maquinal ayuda a los investigadores en la búsqueda de nuevos fármacos
12 de febrero de 2019 | Historia original de la Universidad de Cambridge
Un grupo de investigadores desarrolló un algoritmo de aprendizaje maquinal para el descubrimiento de fármacos que ha demostrado ser el doble de eficiente que los estándares empleados en la industria. Esto podría acelerar el proceso de desarrollo de nuevos tratamientos para las enfermedades.
Los investigadores, de la Universidad de Cambridge, utilizaron su algoritmo para identificar cuatro nuevas moléculas que activan una proteína que se cree que es relevante para los síntomas de la enfermedad de Alzheimer y la esquizofrenia. Los resultados se publican en la revista PNAS.
Un problema clave en el descubrimiento de fármacos, es predecir si una molécula activará (o no) un proceso fisiológico particular. Así, es posible construir modelos estadísticos mediante la búsqueda de patrones de estructuras químicas compartidas entre las moléculas conocidas por activar ese proceso. Sin embargo, en general los datos para construir estos modelos son limitados porque los experimentos son costosos y no está claro qué patrones químicos son estadísticamente significativos.
“El aprendizaje maquinal ha generado progresos significativos en áreas como la visión artificial donde los datos son abundantes”, dijo el Dr. Alpha Lee del laboratorio Cavendish de Cambridge, y principal autor del estudio. “La próxima frontera son aplicaciones como el descubrimiento de drogas, donde la cantidad de datos es relativamente limitada, pero tenemos información física sobre el problema, y en los que la pregunta sería cómo conjugar los fundamentos químicos y físicos”.
El algoritmo desarrollado por Lee y sus colegas, en colaboración con la empresa biofarmacéutica Pfizer, utiliza las matemáticas para separar los patrones químicos relevantes farmacológicamente, de los irrelevantes.
El algoritmo compara tanto las moléculas que se sabe son activas cómo las inactivas y aprende reconocer qué partes de las moléculas son importantes para la acción de la droga, de las que no lo son. Un principio matemático conocido como teoría de matrices aleatorias permite obtener predicciones sobre las propiedades estadísticas de un conjunto de datos aleatorios y ruidosos, que luego se comparan estadísticamente con las características químicas de las moléculas activas/inactivas “rescatando” qué patrones son realmente importantes de los que se presentan por casualidad.
Esta metodología permite a los investigadores ubicar patrones químicos importantes no sólo de las moléculas activas, sino también de las inactivas, en otras palabras, los experimentos fallidos ahora se pueden explotar con esta técnica.
Los investigadores construyeron un modelo a partir de 222 moléculas activas y fueron capaces de analizar computacionalmente seis millones de moléculas adicionales. A partir de esto, compararon y analizaron las 100 moléculas más relevantes. De éstas, identificaron cuatro nuevas moléculas que activan el receptor CHRM1, una proteína que puede ser relevante para la enfermedad de Alzheimer y la esquizofrenia.
"La capacidad de extraer cuatro moléculas activas de seis millones, es como encontrar una aguja en un pajar", dijo Lee. "Una comparación directa muestra que nuestro algoritmo es dos veces más eficiente que el estándar de la industria".
Hacer moléculas orgánicas complejas es un desafío importante en química y las drogas potenciales abundan en el espacio de moléculas aún no fabricadas. Los investigadores de Cambridge están actualmente desarrollando algoritmos que predicen formas de sintetizar moléculas orgánicas complejas, además de extender la metodología de aprendizaje automático al descubrimiento de materiales.
La investigación fue apoyada por el Programa Winton para la Física Sostenible.
Nota: Este artículo ha sido republicado a partir del material proporcionado por la Universidad de Cambridge y editado para adecuar su longitud y contenido. .
Referencia: Alpha A. Lee, et al. Ligand biological activity predicted by cleaning positive and negative chemical correlations. PNAS (2019).
DOI: 10.1073/pnas.1810847116
Para más información, contactar con la fuente citada.
