Paula Baena
Las aplicaciones basadas en inteligencia artificial (IA) en el ámbito de atención médica son muy diversas. Su utilidad aborda el análisis de imágenes médicas, la optimización de la ejecución de ensayos clínicos e incluso la facilitación del descubrimiento de nuevos fármacos candidatos. AlphaFold2, entre otros, es un programa de IA desarrollado para realizar predicciones de la estructura de las proteínas mediante el sistema de aprendizaje profundo.
El sistema funciona extrayendo de una base de datos masiva de proteínas conocidas para crear modelos de estructuras proteicas. Luego, puede simular cómo diferentes compuestos moleculares encajan en los sitios de unión de la proteína y producen los efectos deseados. Así, los investigadores pueden utilizar las combinaciones resultantes para crear nuevos fármacos candidatos.
Ayudará a comprender mejor las interacciones de las proteínas
Bryan Roth, profesor Distinguido de Farmacología Michael Hooker y director del Programa de Detección de Drogas Psicoactivas del NIMH en la Facultad de Medicina de la Universidad de Carolina del Norte, junto a algunos expertos de la Universidad de California, Stanford y Harvard, ha expuesto un estudio en Science acerca de la eficacia de AlphaFold2.
Dicho proyecto sugiere que AlphaFold2 es una herramienta que facilita la identificación de compuestos con potencial terapéutico a partir de un gran número de posibilidades, ya que puede identificar y diseñar numerosos candidatos a medicamentos para tratar diferentes trastornos.
Los investigadores utilizaron dos proteínas para el estudio: sigma-2 y 5-HT2A, ya que AlphaFold2 no tenía información previa sobre las mismas, por lo que no estaba entrenada. Además, estas proteínas se implican en afecciones neuropsiquiátricas como el alzheimer y la esquizofrenia.
Cada modelo tuvo un resultado diferente para el fármaco candidato
Primero, los investigadores alimentaron al sistema AlphaFold con las estructuras proteicas de sigma-2 y 5-HT2A, creando un modelo de predicción. Luego, los expertos accedieron a modelos físicos de las dos proteínas que se produjeron mediante complejas técnicas de microscopía y cristalografía de rayos X. Así, se dirigieron hasta 1.600 millones de medicamentos potenciales a los modelos experimentales y a los modelos AlphaFold2. Cada modelo tuvo un resultado diferente para el fármaco candidato.
Los investigadores determinaron que la proporción de compuestos que realmente alteraban la actividad de las proteínas para cada uno de los modelos era de alrededor del 50% y el 20% para los receptores sigma-2 y 5-HT2A, respectivamente.
De los cientos de millones de combinaciones potenciales, el 54% de las interacciones fármaco-proteína que utilizaron los modelos de proteína sigma-2 AlphaFold2 se activaron con éxito a través de un fármaco candidato unido. El modelo experimental para sigma-2 produjo resultados similares con una tasa de éxito del 51%.
Bryan Roth: “En el futuro, probaremos si estos resultados podrían ser aplicables a otros objetivos terapéuticos y clases de objetivos”
“Nuestros resultados sugieren que las estructuras AF2 pueden ser útiles para el descubrimiento de fármacos”, ha explicado Roth. “En el futuro, probaremos si estos resultados podrían ser aplicables a otros objetivos terapéuticos“, ha remarcado el especialista.
No obstante, existen estudios recientes que han creado dudas acerca de la precisión de este programa en el modelado de los sitios de unión de ligados, áreas de las proteínas donde los medicamentos se unen y empiezan a enviar señales dentro de las células para dar un efecto terapéutico. Además, se han barajado posibles efectos secundarios.
