-
Los investigadores mejoran los modelos de IA para el descubrimiento de fármacos
Nuevo estándar computacional ayuda en la elaboración y la selección de modelos de la inteligencia artificial (IA) para el descubrimiento de fármacos
La reorientación de los fármacos a fin de ampliar las alternativas terapéuticas para los pacientes avanza gracias al progreso con el aprendizaje automático de los investigadores de Mayo Clinic y sus colaboradores. Bajo la dirección del laboratorio del Dr. Nansu Zong, el equipo creó como norma de oro un estándar computacional que permite evaluar, comparar y estandarizar otros modelos para probar dianas farmacológicas.
Los fármacos deben pasar por pruebas rigurosas antes de que sea factible emplearlos en el tratamiento de los pacientes, pero una vez que están en uso, puede ocurrir que los médicos clínicos observen otros efectos o que, en teoría, la manera de funcionar del fármaco sirva para otras enfermedades. Por ejemplo, un fármaco que primero se utilizó para el tratamiento del cáncer ahora se administra en dosis mucho menores para tratar enfermedades autoinmunitarias, como la artritis reumatoide. Gracias al desarrollo de bases de datos con información sobre los fármacos, hoy se evalúan más sustancias que nunca para aplicación ampliada.
Sin embargo, el problema está en que mientras más extensas y diversas son las bases de datos sobre los fármacos, las respuestas humanas y las posibles dianas farmacológicas, más complejo es el modelo necesario para manejarlas.
Demasiadas opciones
Con millones de síntomas, cascadas celulares y moleculares, información génica y alternativas farmacológicas, los científicos no pueden hacer experimentos para tamizar cada opción, sino que deben concentrarse en determinadas dianas que muestran evidencia de que probablemente funcionarán o en ciertos fármacos que dan la impresión de ser prometedores. A fin de ampliar este proceso de tamizaje, los investigadores usan computadores para identificar los posibles vínculos. En la mayoría de los casos, los laboratorios computacionales validan sus resultados mediante conjuntos de datos sobre interacciones conocidas o a través de conjuntos cuidadosamente seleccionados en múltiples bases de datos.
Sin embargo, eso no es lo ideal. Estas bases de datos son grandes y diversas, de modo que la aplicación de un conjunto interno de validación puede sesgar los resultados y llevar a inexactitudes que significan echar por la borda años de pruebas en células y animales. Los investigadores también descubrieron que los modelos actuales presentan dificultades cuando se añaden nuevos datos o al intentar reorientar un fármaco hacia una proteína específica.
Un modelo para probar el modelo
A fin de resolver el problema, un científico que inicia su carrera profesional en el Departamento de Inteligencia Artificial e Investigación Informática, el Dr. Zong, dirigió a los investigadores en el desarrollo de un modelo computacional que prueba la «idoneidad» de otros modelos para la reorientación de fármacos e incorpora estrategias de evaluación para los modelos frecuentemente utilizados en esta labor, emparejados con casi un millón de conceptos biomédicos, con 8,5 millones de asociaciones y con 62 millones de similitudes entre fármaco y fármaco o proteína y proteína. Bajo el nombre de «BEnchmark for computational drug TArget prediction» (estándar para la predicción computacional de la diana farmacológica), abreviado con las siglas BETA, el modelo permite evaluar distintos tipos de datos, lo que deriva en la capacidad de seleccionar la mejor estrategia.
Modelos para la reorientación de fármacos (Drug Repurposing Models)
Enfermedad de Alzheimer: fármacos y dianas proteínicas (Alzheimer’s Disease Drugs and Target Proteins)
Cáncer de mama: fármacos y dianas (Breast Cancer Drugs and Targets)
Obesidad: fármacos y dianas (Obesity Drugs and Targets)
BETA (BETA)
Validación interna (Internal Validation)
Validación externa (External Validation)
Escenarios (Scenarios)
Pruebas (Tests)
Alrededor de 1 millón de conceptos biomédicos (˜ 1 Million Biomedical Concepts)
8,5 millones de asociaciones (8.5 Million Associations)
62 millones de similitudes: fármaco y fármaco o proteína y proteína (62 Million Similarities: Drug-Drug, Protein-Protein)
El BETA toma en consideración una variedad de maneras con las que los investigadores analizan los datos y mediante una serie de pruebas, el BETA ofrece un estándar para los modelos. Imagen creada por BioRender.
El BETA toma en consideración una variedad de maneras a través de las que los investigadores analizan los datos: general, tamizaje de la actividad no dirigida hacia la diana (efectos secundarios y nuevas interacciones), tamizaje de la diana categórica y del fármaco, búsqueda específica del fármaco y de la diana, así como evaluación del fármaco para ciertas enfermedades. Mediante una serie de pruebas, el BETA ofrece un estándar para los modelos que incorporan fármacos y dianas farmacológicas en su captación inicial.
En la evaluación de nueve modelos basales provistos, el BETA logró esclarecer cuáles calificaron mejor o peor en cuanto a identificar alternativas para la reorientación de fármacos hacia una variedad de enfermedades, entre ellas la enfermedad de Alzheimer, el cáncer (mama, colorrectal, leucemia), la diabetes, el VIH, el ataque cardíaco y la obesidad.
Lo siguiente para el equipo es estudiar cómo puede el BETA facilitar el desarrollo de fármacos para ciertas enfermedades específicas y, actualmente, el enfoque está en la enfermedad de Alzheimer y el cáncer. En futuros trabajos, se aprovechará más fuentes de datos, como información genética y expedientes médicos electrónicos de pacientes.
Autores, afiliaciones y más información
Además de los doctores Zong y Liu, otros autores de Mayo Clinic son la Dra. Hongfang Liu que ostenta el título de Profesora II Dr. Richard F. Emslander, Andrew Wen, el Dr. Yue Yu, el Dr. Ming Huang, la Dra. Shaika Chowdhury, el Dr. Sunyang Fu, el Dr. Richard Weinshilboum que ostenta el título de Profesor Mary Lou y John H. Dasburg para investigación sobre la genómica del cáncer, y el Dr. Guoqian Jiang.
Si desea ver la lista completa de los autores, incluidos aquellos que pertenecen al Instituto Nacional del Cáncer, la Universidad de California en Davis, la Escuela de Medicina de Stanford, la Universidad de Auburn y la Universidad de Colorado en Denver, así como las fuentes de financiación y las revelaciones pertinentes, vea el documento en Briefings in Bioinformatics (Informes en Bioinformática).
- Sara Tiner, 3 de junio de 2022
Artículos relacionados
Los nuevos baños de medicamentos calentados brindan esperanza a los pacientes con cáncer de estómago
ROCHESTER, Minnesota — Investigadores de Mayo Clinic han utilizado un nuevo enfoque de la quimioterapia para más que duplicar la tasa de supervivencia típica de[...]
ROCHESTER, Minnesota — Investigadores de Mayo Clinic crearon recientemente una nueva clase de algoritmos con inteligencia artificial (IA) llamada IA impulsada por hipótesis; se trata[...]
ROCHESTER, Minnesota — Un nuevo estudio multicéntrico e internacional indica que las personas que tienen cáncer de mama triple negativo (TNBC) en etapa inicial y[...]