Hoy, la revista Nature Communications ha publicado un
estudio de la Universidad de California-San Diego en el que los investigadores
han logrado desarrollar un algoritmo de inteligencia
artificial que, a su vez, ha propuesto 32 posibles fármacos nuevos
para tratar el cáncer. Un resultado realmente prometedor para la investigación
farmacéutica. Si echamos la vista atrás tan solo 4 años nos encontraremos
un artículo de este mismo periódico titulado “La inteligencia
artificial que revolucionará la industria farmacéutica”, y no estábamos
desencaminados.

En él decíamos: “esta misma semana, AlphaFold ha demostrado
un rendimiento que, según los datos publicados
y a la espera del artículo científico detallado, parece tener una precisión
comparable con los métodos más punteros para caracterizar proteínas”. Aquel 3
de diciembre de 2020, la sociedad empezó a presar atención al potencial que
la IA tenía para cambiar la investigación
sanitaria
y, desde entonces, son decenas los éxitos cosechados por distintos proyectos de
investigación. Este no está directamente relacionado con aquel éxito de AlphaFold,
pero no se queda atrás. Este equipo de investigadores
liderado por Trey Ideker, es el último ejemplo.

Un camino largo y sin garantías

Diseñar un nuevo fármaco no es fácil. Desde la pandemia, la
población descubrió lo complejo que resulta pasar los ensayos clínicos necesarios
para que un fármaco
sea aprobado. Debe demostrar su seguridad con animales y, posteriormente, en
personas. Una vez probado esto, es hora de valorar su eficacia, tanto en
condiciones más ideales como en un grupo grande de personas
que represente la variabilidad esperable en la población general.

No obstante, hay un paso previo que suele ser especialmente
complejo, un ejercicio de toma de decisiones y gestión de la incertidumbre:
hay que elegir qué molécula vamos a probar, y no podemos estar seguros de haber
elegido la correcta. Un paso en falso podría comprometernos a estudiar la
molécula incorrecta durante todos los años que duren los ensayos clínicos, con
todo el gasto de tiempo y recursos económicos que eso supone, por supuesto. Pues
bien, este algoritmo de inteligencia artificial propone una alternativa.

Todo son formas

Hemos normalizado bastante la presencia de las IAs en
nuestras vidas y nos va sorprendiendo menos que sean capaces de diseñarnos
imágenes a medida. Podemos pedirles el retrato de una persona de 80 años
acariciando un pulpo en ropa de balé y nos la darán. Conocen casi una
infinidad de ejemplos y han encontrado tendencias, saben que algunas de estas
palabras se correlacionan con determinadas formas, distribuciones concretas de
píxeles por la pantalla. Eso es, más o menos, lo que los investigadores han
logrado hacer para el mundo farmacéutico.

Los fármacos son, por lo general, cadenas de moléculas más
pequeñas llamadas aminoácidos. El orden que tengan estos aminoácidos
determinará cómo han de plegarse, como si fueran las instrucciones de una
figura de papiroflexia. Y, en función de la forma que adquieran tras estas
dobleces, la molécula resultante tendrá unas funciones u otras. En parte,
porque podrá engancharse en determinadas estructuras, por un sistema de
especificidad parecido al de una llave con su cerradura, un acople totalmente dependiente
de su forma.

Así pues… la forma de las moléculas que constituyen los
fármacos condiciona fuertemente su función, hay una correlación y la IA puede aprenderla.
Eso significa que, igual que podemos pedirle la imagen de un octogenario
acariciando un pulpo con tutú, podemos pedirle una molécula capaz de universe a
donde queremos para tratar una enfermedad concreta.

32 alternativas

El algoritmo, en este caso, ha recibido el nombre de POLYGON,
y hace exactamente eso. Los investigadores lo usaron para generar cientos de
candidatos a medicamentos que pudieran unirse a dos proteínas relacionadas con
el cáncer: la MEK1 y la mTOR. Cuando ambas son inhibidas, interfieren con
el correcto funcionamiento de las células cancerosas, que acaban muriendo de
manera selectiva. Aunque, han de inhibirse ambas para que tenga efecto.

De estos cientos de opciones, los investigadores lograron identificar
32 especialmente prometedores, ya que eran potencialmente eficientes inhibiendo
a las dos moléculas de manera simultánea. Por ahora es más bien una promesa,
pero con el potencial de convertirse en uno de los mayores éxitos de este extraño
matrimonio entre la IA y la farmacología.

“Aunque tenga los medicamentos candidatos, todavía
necesita hacer toda la otra química que se necesita para refinar esas opciones
en un tratamiento único y efectivo”, dijo Trey Ideker, investigador
principal, profesor en el Departamento de Medicina de la Escuela de Medicina de
Universidad de California-San Diego y profesor adjunto de bioingeniería y
ciencias de la computación en la Escuela de Ingeniería de la misma universidad.
“No podemos ni debemos intentar eliminar la experiencia humana del proceso
de descubrimiento de medicamentos, pero lo que sí podemos hacer es acortar
algunos pasos del proceso”.

QUE NO TE LA CUELEN:

Como última vuelta de tuerca, algunas proteínas están
compuestas por varias cadenas distintas de aminoácidos, cada una con su
estructura primaria, secundaria y terciaria, pero que se unen para formar entre
sí lo que se conoce como la estructura cuaternaria. Pliegues sobre pliegues, si
queremos verlo así. La estructura primaria serían las primeras dobleces de una
pajarita de papel, la secundaria las segundas y la terciaria la pajarita
terminada, pero habría una estructura cuaternaria a tener en cuenta para estos
fármacos que consistiría, por continuar con la analogía, en varias pajaritas
unidas entre sí.

REFERENCIAS (MLA):

“De novo
generation of multi-target compounds using deep generative chemistry” Nature
Communications (2024) https://www.nature.com/articles/s41467-024-47120-y