← Volver al inicio

¿Son eficaces las moléculas antivirales seleccionadas por IA? Una revisión pide pruebas específicas para las polimerasas virales

Una puntuación alta en conjuntos de datos de proteínas generales no necesariamente permite predecir la actividad antiviral. Una nueva revisión propone incorporar a la evaluación el ARN, las proteínas auxiliares y los iones metálicos necesarios para la replicación viral, y comprobar después mediante ensayos enzimáticos y celulares la capacidad de la IA para seleccionar fármacos.

By SURL BioNews

Una molécula que en una simulación parece unirse con fuerza a una proteína viral no necesariamente logra impedir la multiplicación del virus al entrar en una célula infectada. Para los científicos que esperan acelerar el desarrollo de antivirales mediante inteligencia artificial, esta brecha determina qué predicciones merecen someterse a experimentos. Una revisión publicada el 15 de octubre en *Frontiers in Pharmacology* señala que las pruebas habituales para evaluar la IA podrían no abarcar suficientemente las características biológicas de las polimerasas de los virus respiratorios.

El artículo, elaborado por investigadores del Instituto Mexicano del Seguro Social y de varias universidades, se centra en la ARN polimerasa dependiente de ARN (RdRp) y sus complejos asociados. Estas enzimas se encargan de sintetizar el ARN viral y son importantes dianas de los fármacos antivirales. Los autores consideran que los datos actuales utilizados para evaluar la unión entre proteínas generales y moléculas pequeñas corresponden principalmente a dianas no virales; todavía hacen falta pruebas específicas para determinar si el buen rendimiento de los modelos en esos datos puede trasladarse a las polimerasas virales.

La dificultad radica en que la polimerasa es una máquina molecular en constante cambio. Su estado de unión con un fármaco se ve afectado por el ARN molde, las proteínas auxiliares, los iones metálicos divalentes y los cambios conformacionales. Si un modelo depende únicamente de una estructura estática, puede pasar por alto el entorno de unión presente durante la replicación viral real, haciendo que resultados de acoplamiento molecular aparentemente razonables se alejen de la actividad real.

Por ello, los autores proponen que la evaluación comience por recopilar distintos estados estructurales de las polimerasas y evitar la filtración de información entre los datos de entrenamiento y los de prueba. Esto permite determinar si el modelo realmente ha aprendido a predecir la actividad de moléculas desconocidas o si obtiene puntuaciones altas por haber estado expuesto a datos similares. Las pruebas diseñadas específicamente para el desarrollo de antivirales también deberían comprobar si el modelo puede dar prioridad a compuestos eficaces en experimentos.

Las pruebas posteriores deben enlazarse por etapas: si el compuesto actúa sobre la diana prevista, si puede inhibir la polimerasa y si puede reducir la actividad viral en ensayos de infección celular. También debe medirse la citotoxicidad para evitar interpretar erróneamente los cambios causados por el daño a las células huésped como un efecto antiviral; los análisis de resistencia y las evaluaciones de absorción, distribución, metabolismo, excreción y toxicidad sirven, por su parte, para determinar si merece la pena continuar el desarrollo de las moléculas candidatas.

La relevancia de esta propuesta reside en acercar el rendimiento de la IA a las decisiones del laboratorio: con los mismos recursos de validación, ¿puede el modelo aumentar las probabilidades de encontrar moléculas eficaces? Las puntuaciones de acoplamiento molecular, la afinidad de unión predicha o los errores estadísticos, por sí solos, no permiten responder a esta pregunta. Incorporar los resultados experimentales al modelo ofrece la posibilidad de corregir progresivamente la brecha entre las predicciones computacionales y la biología viral.

Sin embargo, el artículo es una revisión y propone un marco de evaluación y un proceso de desarrollo; no demuestra mediante nuevos experimentos comparativos prospectivos que este proceso mejore la tasa de éxito de los fármacos, ni aporta pruebas de eficacia en humanos de nuevos fármacos candidatos. Ofrece criterios de validación más concretos para el desarrollo de antivirales mediante IA; determinar si estas pruebas pueden mejorar la selección de fármacos sigue dependiendo de experimentos posteriores.

References

  1. Bioengineer.org
  2. Frontiers in Pharmacology
  3. PubMed — National Library of Medicine