← Volver al inicio

Identificar antes el riesgo de interacciones farmacológicas: Inductive lidera una evaluación a ciegas de inhibición de CYP

Una evaluación a ciegas con 750 compuestos y cuatro enzimas metabólicas aporta una validación concreta del uso de la IA para ayudar a diseñar nuevos fármacos. Sin embargo, los dos primeros puestos pertenecen al mismo grupo de rendimiento estadístico y las moléculas evaluadas son muy similares a las de los datos de entrenamiento, por lo que es necesario interpretar con cuidado el alcance de los resultados.

By SURL BioNews

Aunque un candidato a fármaco actúe sobre su diana terapéutica, su desarrollo puede verse obstaculizado si interfiere en el metabolismo de otros medicamentos. Prever estos riesgos durante el diseño molecular daría a los investigadores la oportunidad de ajustar antes su estructura. Inductive anunció el 6 de noviembre que obtuvo el primer puesto en el desafío de evaluación a ciegas de inhibición directa de CYP de OpenADMET, aportando un resultado verificable sobre la capacidad de la IA para ayudar en esta tarea.

El desafío exigía a los participantes predecir la intensidad de la inhibición directa de 750 compuestos sobre cuatro enzimas: CYP3A4, CYP2D6, CYP2C9 y CYP1A2. Los resultados experimentales se mantuvieron ocultos hasta el final de la competición. Estas enzimas del citocromo P450 intervienen en el metabolismo de muchos fármacos de molécula pequeña; cuando una de ellas se inhibe, los medicamentos administrados conjuntamente que dependen de ella para su eliminación pueden acumularse en el organismo, aumentando la exposición e incluso el riesgo de toxicidad.

Los resultados publicados por los organizadores el 5 de noviembre muestran que la modalidad de inhibición directa contó con 271 participantes y que la clasificación final incluyó 103 propuestas que cumplían los requisitos. El modelo presentado por Inductive bajo el nombre Whippoorwill obtuvo un valor global de 0.341 ± 0.010 en la métrica de error ST-RAE y un coeficiente de correlación de rangos de Spearman de 0.815. Sin embargo, la propuesta que quedó en segundo lugar obtuvo un valor de error de 0.343 ± 0.010, y ambas se incluyeron en el mismo grupo de rendimiento estadístico. Por tanto, ocupar el primer puesto no significa que se haya demostrado una superioridad frente al segundo. Las posiciones finales se calcularon con el conjunto de prueba completo, mientras que la clasificación en tiempo real durante la competición solo utilizó la mitad. Las propuestas también debían cumplir requisitos relativos al informe del modelo y a la cuenta, entre otros.

Esta validación se basa en mediciones de laboratorio, no en resultados clínicos. Según los organizadores, Octant y el laboratorio Fraser de la Universidad de California en San Francisco generaron los datos en colaboración mediante ensayos enzimáticos bioquímicos. En tres enzimas, la reacción se registró mediante señales de fluorescencia; en CYP2D6, el consumo de sustrato se midió mediante espectrometría de masas. La tarea ganadora consistía en predecir la potencia de inhibición directa y era distinta de otra modalidad destinada a identificar «si la inhibición aumenta con el tiempo». Los resultados no pueden extrapolarse a todos los mecanismos de interacción relacionados con CYP.

El informe técnico de Inductive señala que el equipo combinó redes neuronales de grafos bidimensionales y tridimensionales con una red TabM que utiliza representaciones moleculares vectoriales preentrenadas. Los modelos tridimensionales emplearon conformaciones moleculares de baja energía y no utilizaron estructuras de proteínas CYP. Además de las mediciones facilitadas por la competición, los datos de entrenamiento incluyeron datos públicos y de propiedad exclusiva sobre CYP, el indicador de lipofilia LogD y la constante de disociación ácido-base pKa. Por ello, este resultado refleja el rendimiento conjunto de los modelos, los recursos de datos y las estrategias de entrenamiento, y no puede atribuirse únicamente a un algoritmo concreto.

La selección del conjunto de prueba también delimita el significado de los resultados. Los organizadores seleccionaron 25 compuestos inhibidores potentes para cada una de tres enzimas y compraron diez moléculas estructuralmente similares a cada compuesto, formando un conjunto de 750 compuestos de prueba que se evaluaron frente a las cuatro enzimas. Inductive también explica en su informe que estas moléculas son análogos de 75 compuestos de entrenamiento, por lo que diseñó específicamente la partición de validación para reproducir esta distribución de similitud. Esto se aproxima al contexto en el que los químicos medicinales modifican de forma continua moléculas existentes, pero todavía no permite determinar si el modelo es igual de fiable ante esqueletos químicos desconocidos.

Para el desarrollo de nuevos fármacos, esta evaluación a ciegas respalda el uso de la IA para priorizar experimentos y comparar los riesgos metabólicos de moléculas similares; no demuestra que un candidato a fármaco tenga eficacia clínica ni permite determinar directamente si la administración conjunta de medicamentos es segura para los pacientes. Para pasar de la intensidad de inhibición bioquímica a las interacciones en seres humanos, es necesario incorporar otras evidencias, como la exposición real al fármaco. Los organizadores ya han revelado y publicado el conjunto completo de datos de inhibición, lo que permite a otros equipos volver a analizar los puntos fuertes y los errores de los modelos y proporciona un punto de partida común para futuras validaciones.

References

  1. Inductive Bio
  2. OpenADMET
  3. Inductive
  4. OpenADMET