El modelo de aprendizaje automático descubre nuevas oportunidades de diseño de medicamentos

14 de mayo de 2024

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han destacado los siguientes atributos al garantizar la credibilidad del contenido:

• verificación de hechos
• publicación revisada por pares
• fuente confiable
• corrección de pruebas

por el Laboratorio Nacional Los Alamos

Los patógenos no son nada si no son adaptables, y su capacidad para protegerse contra los antibióticos plantea cada vez más una preocupación de salud pública. Un equipo de investigación dirigido por el Laboratorio Nacional de Los Alamos ha utilizado el aprendizaje automático, una aplicación de la inteligencia artificial, para identificar propiedades moleculares que podrían guiar el descubrimiento de nuevos tipos de antibióticos, especialmente entre los patógenos considerados críticos por la Organización Mundial de la Salud debido a su alta resistencia bacteriana.

Los resultados se publican en la revista Communications Chemistry.

'Algunos patógenos tienen propiedades que los hacen muy eficaces para resistir los antibióticos', dijo Gnana Gnanakaran, científico en Los Alamos. 'El descubrimiento de compuestos específicos capaces de permeabilizar e inhibir algunos patógenos es un desafío de buscar una aguja en un pajar debido a la vasta heterogeneidad y profundidad del espacio químico, y la complejidad de las interacciones moleculares a través de las membranas bacterianas. El enfoque que empleamos es capaz de sondear los perfiles necesarios a nivel molecular específicos de las bacterias que se pueden construir para el exitoso desarrollo de medicamentos.'

Las bacterias gram-negativas tienen una membrana externa menos permeable a ser violada por compuestos, como los que componen los antibióticos, y las bacterias también pueden expulsar compuestos que logran entrar, reduciendo la efectividad de un antibiótico.

Los modelos basados en datos tienen el potencial de identificar propiedades moleculares que podrían superar tales defensas bacterianas, pero los cálculos precisos para tomar esas determinaciones son desafiantes y utilizan extensos recursos informáticos. Los compuestos químicamente diversos pueden contener muchas propiedades relevantes; el estudio impulsado por el aprendizaje automático redujo el espectro relevante de esas propiedades y estableció reglas empíricas que predecirían la capacidad del compuesto para atravesar la membrana externa de la bacteria.

Centrándose específicamente en la bacteria gram-negativa Pseudomonas aeruginosa, el equipo de investigación desarrolló un modelo de aprendizaje automático para identificar los descriptores relevantes asociados con compuestos y predecir el éxito de esos compuestos en atravesar las membranas externas de las bacterias y evitar la expulsión. El equipo confió en las capacidades de computación de alto rendimiento en Los Alamos para extraer las propiedades moleculares de permeación de simulaciones que consideraban 1,260 compuestos químicamente diversos mientras atraviesan la membrana bacteriana.

Su análisis arroja nueva luz sobre las propiedades clave que los candidatos a medicamentos necesitan para atravesar eficazmente Pseudomonas aeruginosa, y abre la puerta a estudios similares basados en datos en otros patógenos gram-negativos.

'Las técnicas de aprendizaje automático que hemos empleado en este análisis apuntan a un enfoque prometedor para estudios similares basados en datos en otras membranas biológicas, incluida la barrera hematoencefálica', dijo Gnanakaran.

Información del diario: Communications Chemistry

Proporcionado por Laboratorio Nacional Los Alamos