El desarrollo de métodos de aprendizaje automático (ML), combinado con los primeros principios de la mecánica cuántica y estadística y entrenado en grandes conjuntos de datos moleculares cada vez más disponibles, tiene el potencial de revolucionar el proceso de descubrimiento químico en el descubrimiento y formulación de nuevos fármacos, antivirales, antibióticos y, en general, productos químicos con propiedades personalizadas es un proceso largo y laborioso.
«El descubrimiento químico y el aprendizaje automático evolucionarán juntos, pero lograr una verdadera sinergia entre ellos requiere resolver muchos desafíos pendientes», dice Alexandre Tkatchenko , profesor de Física Química Teórica en la Universidad.
Aprendizaje automático para ayudar a identificar candidatos a fármacos
La Universidad de Luxemburgo inició una colaboración con la compañía belga Janssen Pharmaceuticals en la primavera de 2020 para desarrollar nuevos métodos de Machine Learning para identificar compuestos que tienen un fuerte potencial terapéutico (también llamados candidatos a fármacos). Hasta ahora, se han desarrollado enfoques de ML para moléculas pequeñas. Este proyecto de investigación tiene como objetivo ampliar la arquitectura y la transferibilidad de los enfoques de aprendizaje automático basados en la mecánica cuántica a grandes moléculas de importancia farmacéutica.
“La generación de nuevos productos químicos con actividad sobre objetivos biológicos relevantes es el negocio principal de las empresas farmacéuticas. Los enfoques de aprendizaje automático tienen el potencial de acelerar el proceso y reducir las tasas de fracaso en el descubrimiento de fármacos. Haber sido contactados por una compañía farmacéutica líder para trabajar juntos en la identificación de candidatos a fármacos es un signo gratificante del reconocimiento industrial de nuestra experiencia ”, comenta el Dr. Leonardo Medrano-Sandonas , investigador postdoctoral en el grupo del Prof. Tkatchenko.
Red de formación innovadora
en fármacos financiada por la Comisión Europea
Junto con tres grandes empresas farmacéuticas europeas (Bayer, AstraZeneca, Janssen), la empresa química Enamine y diez socios académicos con experiencia en diseño de fármacos computacionales, el profesor Tkatchenko ha recibido la beca Marie Skłodowska-Curie Actions – Innovative Training Network para el proyecto Aprendizaje automático avanzado para el descubrimiento de fármacos innovadores (AIDD) para el período 2021 – 2023. Este proyecto tiene como objetivo desarrollar métodos de aprendizaje automático innovadores para contribuir a un modelo integrado de «Una química» que puede predecir resultados que van desde la generación de moléculas hasta la síntesis y comprender cómo entrelazar química y biología para desarrollar nuevos fármacos.
Aquí, la experiencia científica une fuerzas con la experiencia en química médica y sintética de los socios industriales y se beneficia de grandes conjuntos de datos valiosos. Por primera vez, todos los desarrollos metodológicos estarán disponibles en código abierto. La red de capacitación preparará a una generación de científicos que tienen habilidades tanto en aprendizaje automático como en química para promover la química médica.
“Hacer predicciones precisas utilizando el aprendizaje automático depende fundamentalmente del acceso a grandes colecciones de datos de alta calidad y experiencia en el dominio para analizarlos”, explica el profesor Tkatchenko. “ Unir nuestras fuerzas es un primer paso hacia la revolución del descubrimiento químico impulsada por el aprendizaje automático”.
El campo del aprendizaje automático para el descubrimiento de sustancias químicas está emergiendo y se espera que ocurran avances sustanciales en un futuro próximo. El profesor Tkatchenko ha publicado recientemente un artículo en la revista Nature Communications en el que analiza los avances recientes en este campo y destaca los desafíos para los próximos años. El artículo está disponible en línea .
El modelo de aprendizaje automático ayuda a caracterizar compuestos para el descubrimiento de fármacos
La espectrometría de masas en tándem es una poderosa herramienta analítica que se utiliza para caracterizar mezclas complejas en el descubrimiento de fármacos y otros campos.
Ahora, los innovadores de la Universidad de Purdue han creado un nuevo método para aplicar conceptos de aprendizaje automático al proceso de espectrometría de masas en tándem para mejorar el flujo de información en el desarrollo de nuevos fármacos. Su trabajo se publica en Chemical Science .
«La espectrometría de masas juega un papel integral en el descubrimiento y desarrollo de fármacos», dijo Gaurav Chopra, profesor asistente de química analítica y física en la Facultad de Ciencias de Purdue .
Como explica Chopra, la implementación específica del aprendizaje automático con una pequeña cantidad de datos de entrenamiento positivos y negativos que se presentan aquí allanará el camino para convertirse en la corriente principal en las actividades diarias de automatización de la caracterización de compuestos por parte de los químicos.
Chopra también dijo que hay dos problemas importantes en el campo del aprendizaje automático utilizado para las ciencias químicas. Los métodos utilizados no proporcionan una comprensión química de las decisiones que toma el algoritmo y, por lo general, no se utilizan métodos nuevos para realizar pruebas experimentales a ciegas para ver si los modelos propuestos son precisos para su uso en un laboratorio químico.
“Hemos abordado estos dos elementos para una metodología que es selectiva de isómeros y extremadamente útil en las ciencias químicas para caracterizar mezclas complejas, identificar reacciones químicas y metabolitos de fármacos, y en campos como la proteómica y la metabolómica”, dijo Chopra.
Los investigadores de Purdue crearon modelos de aprendizaje automático estadísticamente sólidos para trabajar con menos datos de entrenamiento, una técnica que será útil para el descubrimiento de fármacos. El modelo analiza un reactivo neutro común, llamado 2-metoxipropeno (MOP), y predice cómo los compuestos interactuarán con MOP en un espectrómetro de masas en tándem para obtener información estructural de los compuestos.
«Esta es la primera vez que el aprendizaje automático se combina con reacciones diagnósticas de iones y moléculas en fase gaseosa, y es una combinación muy poderosa que abre el camino hacia la identificación espectrométrica de masas completamente automatizada de compuestos orgánicos», dijo Hilkka Kenttämaa, Frank Brown Profesor Distinguido de Química Analítica y Química Orgánica. «Ahora estamos introduciendo muchos reactivos nuevos en este método».
El equipo de Purdue presenta diagramas de flujo de reactividad química para facilitar la interpretación química de las decisiones tomadas por el método de aprendizaje automático que serán útiles para comprender e interpretar los espectros de masas para obtener información estructural.
Este trabajo se alinea con otras innovaciones e investigaciones de los laboratorios de Chopra y Kenttämaa, cuyos miembros del equipo trabajan con la Oficina de Comercialización de Tecnología de la Fundación de Investigación Purdue para patentar numerosas tecnologías. Para obtener más información sobre sus inventos patentados, comuníquese con otcip@prf.org .
Fuentes: Université du Luxembourg y Purdue University
El futuro del sector farmacéutico
El Observatorio Vodafone de la Empresa reunió a cuatro de las principales farmacéuticas del mundo en la presentación del informe “El Futuro del sector Farmacéutico”. Este documento es el resultado del trabajo de identificación y análisis de retos desarrollado durante meses por el grupo de expertos del Plan Innova Farma en el marco de Vodafone Innovation Ecosystem.
Puedes volver a ver la sesión y sus conclusiones en este vídeo.
