Los científicos de la Universidad de California, Riverside, han utilizado el aprendizaje automático para identificar cientos de nuevos medicamentos potenciales que podrían ayudar a tratar el COVID-19, la enfermedad causada por el nuevo coronavirus, o SARS-CoV-2.
"Existe una necesidad urgente de identificar fármacos eficaces que traten o prevengan el COVID-19", dijo Anandasankar Ray, profesor de biología molecular, celular y de sistemas que dirigió la investigación. "Hemos desarrollado una línea de descubrimiento de fármacos que identificóvarios candidatos. "
El proceso de descubrimiento de fármacos es un tipo de estrategia computacional vinculada a la inteligencia artificial, un algoritmo informático que aprende a predecir la actividad mediante prueba y error, mejorando con el tiempo.
Sin un final claro a la vista, la pandemia de COVID-19 ha trastornado vidas, tensado los sistemas de salud y debilitado las economías. Los esfuerzos para reutilizar medicamentos, como Remdesivir, han tenido cierto éxito. Una vacuna para el SARS-CoV-2El virus podría tardar meses, aunque no está garantizado.
"Como resultado, los proyectos de fármacos candidatos, como el que desarrollamos, son extremadamente importantes como primer paso hacia el descubrimiento sistemático de nuevos fármacos para tratar el COVID-19", dijo Ray. "Fármacos existentes aprobados por la FDA queapuntar a una o más proteínas humanas importantes para la entrada y la replicación viral son actualmente de alta prioridad para su reutilización como nuevos medicamentos COVID-19. La demanda es alta de medicamentos adicionales o moléculas pequeñas que pueden interferir tanto con la entrada como con la replicación del SARS-CoV-2 enel cuerpo. Nuestra línea de descubrimiento de fármacos puede ayudar ".
Joel Kowalewski, un estudiante de posgrado en el laboratorio de Ray, utilizó una pequeña cantidad de ligandos previamente conocidos para 65 proteínas humanas que se sabe que interactúan con las proteínas del SARS-CoV-2. Él generó modelos de aprendizaje automático para cada una de las proteínas humanas.
"Estos modelos están entrenados para identificar nuevos inhibidores y activadores de moléculas pequeñas, los ligandos, simplemente a partir de sus estructuras tridimensionales", dijo Kowalewski.
De este modo, Kowalewski y Ray pudieron crear una base de datos de sustancias químicas cuyas estructuras se predijeron como interactuantes de las 65 proteínas objetivo. También evaluaron la seguridad de las sustancias químicas.
"Los 65 objetivos de proteínas son bastante diversos y también están implicados en muchas enfermedades adicionales, incluidos los cánceres", dijo Kowalewski. "Además de los esfuerzos de reutilización de fármacos en curso contra estos objetivos, también estábamos interesados en identificar nuevos productos químicos queno muy estudiado. "
Ray y Kowalewski usaron sus modelos de aprendizaje automático para seleccionar más de 10 millones de pequeñas moléculas disponibles comercialmente de una base de datos de 200 millones de sustancias químicas e identificaron los mejores resultados de su clase para las 65 proteínas humanas que interactúan con el SARS-CoV-2proteínas.
Yendo un paso más allá, identificaron compuestos entre los éxitos que ya están aprobados por la FDA, como medicamentos y compuestos utilizados en los alimentos. También utilizaron los modelos de aprendizaje automático para calcular la toxicidad, lo que les ayudó a rechazar candidatos potencialmente tóxicos. Esto ayudóellos priorizan los productos químicos que se prevé que interactúen con los objetivos del SARS-CoV-2. Su método les permitió no solo identificar los candidatos con la puntuación más alta con actividad significativa contra un único objetivo de proteína humana, sino también encontrar algunos productos químicos que se predijo que inhibiríandos o más dianas proteicas humanas.
"Los compuestos que más me entusiasma buscar son los que se predice que serán volátiles, lo que crea la inusual posibilidad de terapias inhaladas", dijo Ray.
"Históricamente, los tratamientos de enfermedades se vuelven cada vez más complejos a medida que desarrollamos una mejor comprensión de la enfermedad y cómo la variabilidad genética individual contribuye a la progresión y gravedad de los síntomas", dijo Kowalewski. "Los enfoques de aprendizaje automático como el nuestro pueden desempeñar un papel en la anticipaciónel panorama de tratamiento en evolución al proporcionar a los investigadores posibilidades adicionales para estudios adicionales. Si bien el enfoque depende fundamentalmente de los datos experimentales, la detección virtual puede ayudar a los investigadores a hacer nuevas preguntas o encontrar nuevos conocimientos ".
Ray y Kowalewski argumentan que su estrategia computacional para el cribado inicial de un gran número de sustancias químicas tiene una ventaja sobre los ensayos tradicionales dependientes del cultivo celular que son costosos y pueden tardar años en probarse.
"Nuestra base de datos puede servir como un recurso para identificar y probar rápidamente estrategias de tratamiento novedosas y seguras para COVID-19 y otras enfermedades donde las mismas 65 proteínas diana son relevantes", dijo. "Si bien la pandemia de COVID-19 fue lo que motivónosotros, esperamos que nuestras predicciones de más de 10 millones de sustancias químicas aceleren el descubrimiento de fármacos en la lucha no solo contra el COVID-19, sino también contra otras enfermedades ".
Ray está buscando financiación y colaboradores para avanzar hacia la prueba de líneas celulares, modelos animales y, finalmente, ensayos clínicos.
El artículo de investigación, "Predicción de nuevos fármacos para el SARS-CoV-2 mediante el aprendizaje automático desde un espacio químico> 10 millones", aparece en la revista Heliyon , una revista interdisciplinaria de Cell Press.
La tecnología se ha divulgado a la Oficina de Asociaciones Tecnológicas de la UCR, se le asignó el número de caso de UC 2020-249, y está pendiente de patente bajo el título "Compuestos terapéuticos y sus métodos".
Fuente de la historia :
Materiales proporcionado por Universidad de California - Riverside . Original escrito por Iqbal Pittalwala. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :