Los investigadores entrenan a la IA para predecir posibles ingredientes activos

Investigadores de la Universidad de Bonn han entrenado un proceso de IA para predecir posibles ingredientes activos con propiedades especiales, derivando un modelo de lenguaje químico, una especie de ChatGPT para moléculas. Tras una fase de entrenamiento, la IA pudo reproducir exactamente las estructuras químicas de compuestos con actividad conocida de doble objetivo que pueden ser medicamentos particularmente eficaces. El estudio ha sido publicado ahora en Informes Celulares Ciencias Físicas.

Cualquiera que quiera deleitar a su abuela con un poema en su 90 cumpleaños no necesita ser poeta hoy en día: basta con un breve mensaje en ChatGPT y, en unos segundos, la IA escupe una larga lista de palabras que riman. con el nombre de la cumpleañera. Incluso puede producir un soneto para acompañarlo si lo desea.

Investigadores de la Universidad de Bonn han implementado un modelo similar en su estudio, conocido como modelo de lenguaje químico. Sin embargo, esto no produce rimas. En cambio, la IA muestra las fórmulas estructurales de compuestos químicos que pueden tener una propiedad particularmente deseable: son capaces de unirse a dos proteínas objetivo diferentes. En el organismo esto significa, por ejemplo, que pueden inhibir dos enzimas a la vez.

Se busca: ingredientes activos con doble efecto.

“En la investigación farmacéutica, estos tipos de compuestos activos son muy deseables debido a su polifarmacología”, explica el Prof. Dr. Jürgen Bajorath. El experto en química computacional dirige el área de IA en Ciencias de la Vida en el Instituto Lamarr de Aprendizaje Automático e Inteligencia Artificial y el programa de Informática de Ciencias de la Vida en b-it (Centro Internacional de Tecnología de la Información de Bonn-Aquisgrán) en la Uni Bonn. “Debido a que los compuestos con una actividad multiobjetivo deseable influyen en varios procesos intracelulares y vías de señalización al mismo tiempo, a menudo son particularmente efectivos, como en la lucha contra el cáncer”.

En principio, este efecto también se puede conseguir mediante la coadministración de diferentes fármacos. Sin embargo, existe el riesgo de que se produzcan interacciones medicamentosas no deseadas y, a menudo, diferentes compuestos también se descomponen a diferentes velocidades en el cuerpo, lo que dificulta su administración conjunta.

Encontrar una molécula que influya específicamente en el efecto de una única proteína diana no es una tarea fácil. Diseñar compuestos que tengan un doble efecto predefinido es aún más complicado. Los modelos de lenguaje químico pueden ayudar aquí en el futuro. ChatGPT está entrenado con miles de millones de páginas de texto escrito y aprende a formular oraciones por sí mismo.

Los modelos de lenguaje químico funcionan de manera similar, pero solo tienen cantidades muy pequeñas de datos disponibles para el aprendizaje. Pero, en principio, también se alimentan de textos, como los llamados hilos SMILES, que muestran moléculas orgánicas y su estructura como una secuencia de letras y símbolos.

“Ahora hemos entrenado nuestro modelo de lenguaje químico con pares de cuerdas”, afirma Sanjana Srinivasan del grupo de investigación de Bajorath. “Una de las cadenas describía una molécula que sabemos que sólo actúa contra una proteína objetivo. La otra representaba un compuesto que, además de esta proteína, también influye en una segunda proteína objetivo”.

La IA aprende conexiones químicas

El modelo fue alimentado 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 doble efecto.

“Cuando luego lo alimentamos con un compuesto contra una proteína objetivo, sugirió moléculas que actuarían no sólo contra esta proteína sino también contra otra”, explica Bajorath.

Los compuestos de entrenamiento con doble efecto a menudo se dirigen a proteínas que son similares y, por lo tanto, desempeñan una función similar en el cuerpo. Sin embargo, en la investigación farmacéutica también se buscan ingredientes activos que influyan en clases completamente diferentes de enzimas o receptores.

Para preparar la IA para esta tarea, se realizaron ajustes después de la fase de aprendizaje general. Los investigadores utilizaron varias docenas de pares de entrenamiento especiales para enseñar al algoritmo a qué diferentes clases de proteínas deberían apuntar los compuestos sugeridos. Esto es un poco como indicarle a ChatGPT que esta vez no cree un soneto, sino una quintilla.

Después del ajuste, el modelo escupió moléculas que ya se ha demostrado que actúan contra las combinaciones deseadas de proteínas objetivo. “Esto demuestra que el proceso funciona”, afirma Bajorath. Sin embargo, en su opinión, el punto fuerte de este enfoque no es que se puedan encontrar inmediatamente nuevos compuestos que superen el efecto de los fármacos disponibles.

“Lo más interesante, desde mi punto de vista, es que la IA a menudo sugiere estructuras químicas en las que la mayoría de los químicos ni siquiera pensarían inmediatamente”, explica. “Hasta cierto punto, genera ideas innovadoras y genera soluciones originales que pueden conducir a nuevas hipótesis y enfoques de diseño”.