Ciencia de Datos, Bioingeniería y Bioinformática: El enfoque de aprendizaje maquinal para identificar posibles medicamentos candidatos a para tratar la covid-19

13 de agosto de 2020 | Historia original de la Universidad de California, Riverside


Científicos de la Universidad de California, Riverside, han utilizado el aprendizaje maquinal para identificar cientos de nuevos fármacos potenciales que podrían ayudar a tratar la COVID-19, la enfermedad causada por el nuevo coronavirus, o SARS-CoV-2.

“Hay una necesidad urgente de identificar fármacos eficaces que traten o prevengan la COVID-19”, dijo Anandasankar Ray,profesor de biología molecular, celular y de sistemas que dirigió lainvestigación.“Hemos desarrollado unalínea de informaciónde descubrimiento de fármacos que identificó a varios candidatos”.

La canalización de descubrimiento de fármacos es un tipo de estrategia computacional vinculada a la inteligencia artificial, un algoritmo informático que aprende a predecir la actividad a través del ensayo y el error, mejorando con el tiempo.

Sin un final claro a la vista, la pandemia COVID-19 ha perturbado vidas, tensado los sistemas de atención de la salud y debilitado las economías. Los esfuerzos para reutilizar los medicamentos, como Remdesivir, han logrado cierto éxito. Una vacuna para el virus SARS-CoV-2 podría estar a meses de distancia, aunque no está garantizada.

“Como resultado, una línea de información de candidatos a medicamentos, como el que desarrollamos, son extremadamente importantes de perseguir como un primer paso hacia el descubrimiento sistemático de nuevos fármacos para el tratamiento de COVID-19”, dijo Ray. “Los medicamentos existentes aprobados por la FDA que se dirigen a una o más proteínas humanas importantes para la entrada y replicación virales son actualmente de alta prioridad para la reasignación como nuevos medicamentos COVID-19. La demanda es alta para fármacos adicionales o moléculas pequeñas que pueden interferir con la entrada y replicación de SARS-CoV-2 en el cuerpo. Nuestro gasoducto de descubrimiento de fármacos puede ayudar”.

Joel Kowalewski, un estudiante graduado en el laboratorio de Ray, utilizó un pequeño número de ligandospreviamente conocidos para 65 proteínas humanas que se sabe que interactúan con proteínas SARS-CoV-2. Kowalewski generó modelos de aprendizaje automático para cada una de las proteínas humanas.

“Estos modelos están entrenados para identificar nuevos inhibidores y activadores de moléculas pequeñas -los ligandos- simplemente a partir de sus estructuras 3D”, dijo Kowalewski.

Kowalewski y Ray fueron capaces de crear una base de datos de productos químicos cuyas estructuras fueron predichas como interactores de las 65 dianas proteicas. También evaluaron los productos químicos para la seguridad.

“Las 65 dianas proteicas son muy diversas y también están implicadas en muchas enfermedades adicionales, incluidos los cánceres”, dijo Kowalewski. “Además de los esfuerzos de reasignación de drogas en curso contra estos objetivos, también nos interesaba identificar nuevos productos químicos que actualmente no están bien estudiados”.
Ray y Kowalewski utilizaron sus modelos de aprendizaje maquinal para examinar más de 10 millones de moléculas pequeñas disponibles comercialmente de una base de datos compuesta por 200 millones de productos químicos, e identificaron los mejores éxitos de su clase para las 65 proteínas humanas que interactúan con las proteínas SARS-CoV-2.

Dando un paso más, identificaron compuestos entre los éxitos que ya están aprobados por la FDA, como los medicamentos y compuestos utilizados en los alimentos. También utilizaron los modelos de aprendizaje maquinal para calcular la toxicidad, lo que les ayudó a rechazar candidatos potencialmente tóxicos. Esto les ayudó a priorizar los productos químicos que se preveía que interactuarían con los objetivos de SARS-CoV-2. Su método les permitió no sólo identificar a los candidatos de mayor puntuación con actividad significativa contra un solo objetivo de proteína humana, sino también encontrar algunos productos químicos que se predijeron como inhibidores de dos o más objetivos de proteínas humanas.

“Los compuestos que más me entusiasman son los que se prevé que son volátiles, estableciendo la inusual posibilidad de emplear terapias basadas en substancias inhalables”, dijo Ray.

“Históricamente, los tratamientos de enfermedades se vuelven cada vez más complejos a medida que desarrollamos una mejor comprensión de la enfermedad y la variabilidad genética individual contribuye a la progresión y gravedad de los síntomas”, dijo Kowalewski. “Los enfoques de aprendizaje maquinal, como el nuestro, pueden desempeñar un papel importante en la anticipación del panorama de tratamiento en evolución, al proporcionar a los investigadores posibilidades adicionales de estudio. Si bien el enfoque depende crucialmente de los datos experimentales, el cribado virtual puede ayudar a los investigadores a hacer nuevas preguntas o a encontrar nuevos conocimientos”.
Ray y Kowalewski argumentan que su estrategia computacional para el filtrado inicial de un gran número de productos químicos tiene una ventaja sobre los ensayos tradicionales dependientesde los cultivos celulares que son caros, y pueden tardar años en probarse.

“Nuestra base de datos puede servir como un recurso para identificar y probar rápidamente estrategias de tratamiento novedosas y seguras para COVID-19 y otras enfermedades donde las mismas 65 proteínas diana son relevantes”, dijo. “Aunque la pandemia COVID-19 fue lo que nos motivó, esperamos que nuestras predicciones de más de 10 millones de productos químicos aceleren el descubrimiento de fármacos en la lucha contra no sólo COVID-19, sino también contra una serie de otras enfermedades”.

Ray está buscando financiación y colaboradores para avanzar hacia las pruebas de líneas celulares, modelos animales y, finalmente, ensayos clínicos.

Este artículo ha sido reeditado para adecuar su longitud y contenido.

Referencia: Kowalewski, et al. (2020). Predicting novel drugs for SARS-CoV-2 using machine learning from a >10 million chemical space. Heliyon DOI: https://doi.org/10.1016/j.heliyon.2020.e04639