El aprendizaje automático acelera el descubrimiento de fármacos

En un esfuerzo de investigación innovador, científicos de la Universidad de Finlandia Oriental han desbloqueado una nueva era en la descubrimiento de fármacos, aprovechando el potencial del aprendizaje automático. A través de una asociación estratégica con expertos de la industria y las capacidades computacionales de los supercomputadores, esta colaboración ha producido resultados notables, comprimiendo significativamente el tiempo requerido para la selección virtual de fármacos.

Este artículo proporciona una visión integral de esta metodología pionera, subrayando sus implicaciones para el sector farmacéutico y la comunidad científica en general.

Selección virtual pionera

El ámbito de la selección virtual, una fase pivotal en la búsqueda de nuevos compuestos farmacéuticos, ha experimentado una transformación monumental gracias a la integración del aprendizaje automático. Los investigadores han confiado en técnicas rápidas asistidas por computadora para filtrar extensas bibliotecas de compuestos, buscando agentes potenciales para dirigirse a entidades específicas relacionadas con fármacos.

Sin embargo, la explosión en el tamaño de estas bibliotecas ha superado las capacidades incluso de los supercomputadores más avanzados. En consecuencia, seleccionar una biblioteca de compuestos a escala de mil millones contra un único objetivo farmacéutico podría consumir varios meses o incluso años, presentando un desafío formidable para la industria.

El estudio emblemático

En una reciente publicación en el Journal of Chemical Information and Modeling, la Dra. Ina Pöhner y sus estimados colegas de la Facultad de Farmacia de la Universidad de Finlandia Oriental. En asociación con CSC – Centro de Informática Científica Ltd., la cúspide de la computación de alto rendimiento en Finlandia, y colaboradores industriales clave de Orion Pharma, emprendieron una misión para aprovechar el potencial del aprendizaje automático para la selección virtual a escala giga.

Los investigadores establecieron meticulosamente una línea base antes de introducir la inteligencia artificial en su flujo de trabajo. Embarcaron en una campaña monumental de selección virtual que evaluó un asombroso 1.560 millones de moléculas similares a fármacos contra dos objetivos farmacológicamente pertinentes. Esta exhaustiva empresa, que abarcó casi medio año, se ejecutó con la ayuda de los supercomputadores Mahti y Puhti, empleando la técnica de acoplamiento molecular. Este método computacional examina la compatibilidad de las pequeñas moléculas con el sitio de unión de un objetivo.

Aprendizaje automático a la vanguardia

Tras la intensiva fase de acoplamiento, los resultados fueron sometidos a un proceso de selección potenciado por aprendizaje automático orquestado a través de HASTEN, una herramienta que el Dr. Tuomo Kalliokoski de Orion Pharma diseñó. HASTEN aprovecha el poder del aprendizaje automático para descifrar las propiedades intrincadas de las moléculas y su impacto en la puntuación de los compuestos. Aprovechando un vasto conjunto de datos acumulado mediante acoplamiento convencional, el modelo de aprendizaje automático puede predecir rápidamente las puntuaciones de acoplamiento para otros compuestos en la biblioteca, superando drásticamente el enfoque de acoplamiento por fuerza bruta intensivo en recursos.

Los resultados no fueron menos que extraordinarios. Con solo el 1% de la biblioteca completa acoplada y utilizada como datos de entrenamiento, HASTEN identificó el 90% de los compuestos de mayor puntuación en menos de diez días. Este logro representa un salto cuántico en la eficiencia, destacando el potencial transformador del aprendizaje automático para revolucionar el panorama del descubrimiento de fármacos.

El triunfo de esta investigación es un testimonio de la sinergia entre la academia y la industria. El profesor Antti Poso, quien dirige el grupo de descubrimiento computacional de fármacos dentro de la Comunidad de Investigación DrugTech de la Universidad de Finlandia Oriental, subrayó el papel pivotal que jugaron los recursos computacionales de última generación de CSC para hacer realidad sus ambiciosos objetivos. Esta colaboración es ejemplar, ilustrando cómo la amalgamación de ideas, recursos y tecnología de vanguardia puede impulsar la investigación científica a alturas sin precedentes.

Los datos abiertos como catalizador de la innovación futura

Reconociendo la importancia primordial de la difusión del conocimiento, los autores del estudio han puesto generosamente a disposición del público conjuntos de datos sustanciales. Estos conjuntos de datos incluyen una biblioteca de selección fácilmente implementable para el acoplamiento, empoderando a otros investigadores para acelerar sus esfuerzos de selección. 

Además, el conjunto de datos que comprende 1.560 millones de resultados de acoplamiento de compuestos para dos objetivos se ha revelado como datos de referencia. Este gesto filantrópico no solo fomenta la colaboración, sino que también allana el camino para el desarrollo de herramientas que puedan agilizar los procesos, conservar recursos y avanzar en el campo del descubrimiento computacional de fármacos.