← Volver al inicio

DrugGen-2 incorpora el contexto de la enfermedad al diseño molecular y acerca el descubrimiento de fármacos con IA al escenario patológico

Este preprint, aún no revisado por pares, propone un modelo generativo que no solo observa la diana proteica, sino que también incorpora la enfermedad en sí; su valor no está en declarar el nacimiento de un nuevo fármaco, sino en recordar que el diseño de fármacos con IA debe enfrentarse a contextos biológicos más complejos.

By SURL BioNews

Las moléculas farmacológicas no actúan en el vacío. Una misma diana proteica, situada en distintas enfermedades, estados inflamatorios tisulares o entornos metabólicos, puede implicar significados terapéuticos completamente diferentes. Un preprint publicado el 9 de julio en arXiv presenta DrugGen-2, que intenta incorporar esta capa de contexto de enfermedad al flujo de diseño de IA generativa para moléculas pequeñas, de modo que el modelo no solo responda “qué molécula podría unirse a esta proteína”, sino que también empiece a abordar “por qué esta diana es importante en esta enfermedad”.

El equipo de investigación describe que DrugGen-2 se basa en un modelo GPT-2 preentrenado, ajustado mediante datos curados sobre fármacos aprobados, enfermedades y dianas proteicas. La entrada del modelo incluye simultáneamente información de ontología de enfermedades y la secuencia de la proteína objetivo, mientras que la salida son moléculas pequeñas candidatas; el proceso de entrenamiento realiza primero un ajuste supervisado y luego utiliza group relative policy optimization para el aprendizaje por refuerzo, con una función de recompensa que cubre validez química, novedad, diversidad y afinidad de unión predicha.

Este diseño apunta a un problema antiguo en el descubrimiento de fármacos: muchas herramientas computacionales de generación molecular ponen el énfasis en la diana o en las propiedades moleculares, y tratan con menos claridad el contexto de la enfermedad. En una enfermedad multifactorial como la nefropatía diabética, el proceso patológico implica tono vascular, inflamación, fibrosis y estrés metabólico, por lo que la puntuación de unión molecular de una sola diana no basta para representar el valor clínico. La propuesta de DrugGen-2 es hacer que el modelo incorpore la relación entre enfermedad y diana como condición ya en la etapa de generación.

En las pruebas del preprint, los investigadores evaluaron el modelo con 5 dianas proteicas relacionadas con la nefropatía diabética y lo compararon con modelos de referencia como DrugGPT y DrugGen. El resumen del artículo afirma que DrugGen-2 superó a los comparadores en la generación de moléculas únicas, diversidad estructural, similitud estructural con fármacos aprobados y desempeño de unión predicho. El análisis de acoplamiento molecular también mostró que algunos ligandos candidatos tenían una afinidad predicha superior a la de fármacos de referencia; por ejemplo, una molécula candidata dirigida a la enzima convertidora de angiotensina mostró, en el análisis del modelo, un desempeño superior al de enalapril.

Sin embargo, estos resultados siguen siendo evidencia de nivel computacional. El acoplamiento molecular y la afinidad predicha pueden ayudar a ordenar candidatos, pero no sustituyen los experimentos in vitro, los modelos celulares, la eficacia en animales ni la evaluación toxicológica, y mucho menos permiten inferir directamente la eficacia en seres humanos. En particular, la nefropatía diabética implica una evolución crónica de largo plazo y múltiples comorbilidades; un fármaco realmente utilizable todavía debe superar numerosas barreras, como absorción, distribución, metabolismo, excreción, riesgo de efectos fuera de la diana y seguridad.

Por eso, la importancia de este estudio se parece más a un avance metodológico que al anuncio de un avance terapéutico. Si la ontología de enfermedades y las secuencias de dianas pueden mejorar de manera estable la calidad de las moléculas candidatas, el diseño de fármacos con IA podría pasar en el futuro de estar “orientado a la diana” a estar “orientado al contexto de la enfermedad”. Pero los datos del preprint son limitados y aún no han sido revisados por pares; si DrugGen-2 puede mantener su ventaja en enfermedades más amplias, más dianas y validación experimental será la prueba clave para que pase de demostración algorítmica a herramienta de investigación y desarrollo farmacéutico.

References

  1. arXiv