Un "ChatGPT químico" para nuevos medicamentos
La IA aprende conexiones químicas
Investigadores de la Universidad de Bonn han entrenado un proceso de IA para predecir posibles principios activos con propiedades especiales. Para ello, derivaron un modelo de lenguaje químico, una especie de ChatGPT para moléculas. Tras una fase de entrenamiento, la IA fue capaz de reproducir con exactitud las estructuras químicas de compuestos con actividad conocida de doble diana que podrían ser medicamentos especialmente eficaces. El estudio se ha publicado ahora en Cell Reports Physical Science.
Cualquiera que quiera deleitar a su abuela con un poema en su 90 cumpleaños no necesita ser poeta hoy en día: Basta con una breve pregunta en ChatGPT y, en unos segundos, la IA escupe una larga lista de palabras que riman con el nombre de la cumpleañera. Incluso puede escribir un soneto.
Los investigadores de la Universidad de Bonn han aplicado en su estudio un modelo similar, conocido como modelo de lenguaje químico. Sin embargo, no produce rimas. En su lugar, la IA muestra las fórmulas estructurales de compuestos químicos que pueden tener una propiedad especialmente deseable: Son capaces de unirse a dos proteínas diana diferentes. En el organismo, esto significa, por ejemplo, que pueden inhibir dos enzimas a la vez.
Se busca: Principios activos con doble efecto
"En la investigación farmacéutica, este tipo de compuestos activos son muy deseables por su polifarmacología", explica el Prof. Dr. Jürgen Bajorath. Este experto en química computacional dirige el área de IA en Ciencias de la Vida del Instituto Lamarr de Aprendizaje Automático e Inteligencia Artificial y el programa de Informática en Ciencias de la Vida del b-it (Centro Internacional Bonn-Aachen de Tecnologías de la Información) de la Uni Bonn. "Dado que los compuestos con una deseable actividad multiobjetivo influyen en varios procesos intracelulares y vías de señalización al mismo tiempo, suelen ser especialmente eficaces, por ejemplo en la lucha contra el cáncer." En principio, este efecto también puede conseguirse mediante la administración conjunta de distintos fármacos. Sin embargo, existe el riesgo de que se produzcan interacciones farmacológicas no deseadas y, además, los distintos compuestos suelen descomponerse a ritmos diferentes en el organismo, lo que dificulta su administración conjunta.
Encontrar una molécula que influya específicamente en el efecto de una única proteína diana no es tarea fácil. Diseñar compuestos que tengan un doble efecto predefinido es aún más complicado. Los modelos de lenguaje químico pueden ayudar en este sentido en el futuro. ChatGPT se entrena con miles de millones de páginas de texto escrito y aprende a formular frases por sí mismo. Los modelos de lenguaje químico funcionan de forma similar, pero sólo disponen de cantidades comparativamente muy pequeñas de datos para aprender. Sin embargo, en principio, también se alimentan con textos, como las llamadas cadenas SMILES, que muestran las moléculas orgánicas y su estructura como una secuencia de letras y símbolos. "Hemos entrenado nuestro modelo de lenguaje químico con pares de cadenas", explica 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 conexiones químicas
El modelo se alimentó con más de 70.000 de estos pares. Esto le permitió adquirir un conocimiento implícito de en qué se diferenciaban los compuestos activos normales de los que tenían el doble efecto. "Cuando a continuación lo alimentamos con un compuesto contra una proteína diana, sugirió moléculas sobre esta base que actuarían no sólo contra esta proteína, sino también contra otra", explica Bajorath.
Los compuestos de entrenamiento con el doble efecto suelen dirigirse contra proteínas que son similares y, por tanto, desempeñan una función parecida en el organismo. En la investigación farmacéutica, sin embargo, también se buscan principios activos que influyan en clases completamente distintas de enzimas o receptores. Para preparar a 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 enseñar al algoritmo a qué clases de proteínas debían dirigirse los compuestos sugeridos. Es un poco como dar instrucciones a ChatGPT para que esta vez no cree un soneto, sino un limerick.
Tras el ajuste, el modelo escupió moléculas que ya habían demostrado actuar contra las combinaciones deseadas de proteínas diana. "Esto demuestra que el proceso funciona", afirma Bajorath. En su opinión, sin embargo, el punto fuerte del método no es que se puedan encontrar inmediatamente nuevos compuestos que superen el efecto de los fármacos disponibles. "Es más interesante, desde mi punto de vista, que la IA sugiera a menudo estructuras químicas en las que la mayoría de los químicos ni siquiera pensarían de inmediato", explica. "Hasta cierto punto, desencadena ideas 'fuera de la caja' y aporta soluciones originales que pueden conducir a nuevas hipótesis y enfoques de diseño".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
