Biotecnología y desarrollo de fármacos · us
Primero generar huellas moleculares y después buscar compuestos existentes: el cribado con IA identifica dos pistas iniciales
Un equipo de la Universidad de Pittsburgh utilizó IA generativa para orientar la búsqueda y seleccionar en bases de datos químicas moléculas que pudieran someterse a experimentos. Las pruebas con CB2 y HER4 identificaron un compuesto activo para cada uno, y también muestran la distancia que aún separa las predicciones computacionales de la eficacia farmacológica.
Uno de los retos del descubrimiento de fármacos es si las moléculas propuestas por ordenador pueden llegar realmente al laboratorio. Incluso cuando las predicciones son favorables, las dificultades de síntesis pueden detener la investigación. Un equipo de la Universidad de Pittsburgh adoptó otra vía: dejar que la IA genere primero «huellas moleculares» que describan características químicas y después buscar en bases de datos compuestos existentes similares, convirtiendo diseños abstractos en materiales de investigación que puedan obtenerse y someterse a pruebas.
Este proceso de descubrimiento de compuestos precursores de fármacos, denominado FSGLD, fue desarrollado por el laboratorio de Junmei Wang de esa universidad. El estudio se publicó el 28 de octubre en *Science Advances*, y la universidad presentó los resultados el 10 de noviembre. El proceso combina modelos generativos, búsquedas en bases de datos y cribado computacional por etapas para reducir el conjunto de candidatos en la investigación farmacológica temprana e identificar moléculas que merezcan evaluarse experimentalmente.
La herramienta central, DRUG-GAN, es una red generativa adversaria: el generador propone huellas moleculares, mientras que el discriminador aprende a reconocer las diferencias entre estas y los datos de moléculas reales. Las huellas son codificaciones digitales de características químicas, no estructuras moleculares completas; por ello, el equipo utilizó los resultados generados como criterios de búsqueda para encontrar compuestos similares en bases de datos como ChEMBL y ZINC, y después estableció el orden de validación mediante acoplamiento molecular, simulaciones de dinámica molecular y cálculos de energía libre de unión. Esto permite utilizar moléculas existentes en esta etapa de la investigación y reducir la necesidad de sintetizarlas desde cero.
El estudio abarcó receptores acoplados a proteínas G y proteínas quinasas, y los resultados experimentales ofrecieron una evaluación más rigurosa que la clasificación computacional. En las pruebas con el receptor cannabinoide de tipo 2, CB2, solo ZINC77179032, de los nueve compuestos candidatos, mostró actividad de unión, con una constante de unión Ki de 3.77 micromolar; los otros ocho no mostraron unión detectable en las condiciones de ese experimento. Este resultado proporciona un punto de partida para investigaciones posteriores y también recuerda que superar varias etapas de cribado computacional sigue sin garantizar que una molécula se una a su diana.
Otro grupo de experimentos se centró en el receptor tirosina quinasa HER4. Los investigadores probaron dos candidatos, de los cuales ZINC33279960 mostró una inhibición de la quinasa que aumentaba con la concentración, con una concentración inhibitoria media IC50 de 8.615 micromolar. Esto respalda que se siga investigando como compuesto activo en una fase temprana, pero la prueba de unión a CB2 y la prueba de inhibición enzimática de HER4 miden fenómenos distintos, por lo que no se pueden comparar directamente ambos valores para establecer cuál tiene mayor eficacia farmacológica.
La validación mediante bases de datos también tiene límites que conviene distinguir. El artículo señala que los datos de entrenamiento de actividad del modelo de CB2 procedían de ChEMBL, por lo que volver a encontrar moléculas de actividad conocida en esa misma base de datos podría implicar un solapamiento con los datos de entrenamiento o estructuras similares. Estos resultados permiten mostrar, sobre todo, que el modelo orienta la búsqueda hacia características químicas pertinentes; por sí solos, no demuestran que haya descubierto moléculas completamente nuevas. La selección de compuestos de ZINC y su posterior evaluación experimental aportan otra capa de evidencia.
Por ahora, el resultado más concreto son dos compuestos activos iniciales con actividad de magnitud micromolar, y no candidatos terapéuticos ya establecidos. Su actividad, selectividad, efectos in vivo y seguridad requieren investigaciones posteriores; los resultados disponibles aún no demuestran eficacia en seres humanos. El valor práctico de FSGLD consiste en facilitar que las pistas generadas por IA se sometan a pruebas experimentales. Determinar si esto puede aumentar la tasa de éxito del desarrollo de fármacos todavía requiere comparaciones y validaciones más amplias.