Los investigadores de la Universidad de Cambridge han logrado diseñar fármacos con un algoritmo de aprendizaje automático que predice el resultado de reacciones químicas con mucha mayor precisión que los químicos entrenados y sugiere formas de hacer moléculas complejas, eliminando un obstáculo significativo en el descubrimiento de fármacos.
Estos científicos han demostrado que un algoritmo puede predecir los resultados de reacciones químicas complejas con más del 90% de precisión, superando a los químicos entrenados.
El algoritmo también muestra a los químicos cómo hacer compuestos objetivo, proporcionando el ‘mapa’ químico al destino deseado. Los resultados se informan en dos estudios en las revistas ACS Central Science and Chemical Communications.
El desafío de diseñar fármacos
Un desafío central en el descubrimiento de fármacos y la ciencia de los materiales es encontrar formas de hacer moléculas orgánicas complicadas uniendo químicamente bloques de construcción más simples. El problema es que esos componentes básicos a menudo reaccionan de manera inesperada.
«La fabricación de moléculas a menudo se describe como un arte realizado con experimentación de prueba y error porque nuestra comprensión de la reactividad química está lejos de ser completa», dijo el Dr. Alpha Lee del Laboratorio Cavendish de Cambridge, quien dirigió los estudios.
El Dr.Lee también afirmó que los algoritmos de aprendizaje automático pueden tener una mejor comprensión de la química porque destilan patrones de reactividad de millones de reacciones químicas publicadas, algo que un químico no puede hacer.
El algoritmo desarrollado por Lee y su grupo utiliza herramientas de reconocimiento de patrones para reconocer cómo reaccionan los grupos químicos en las moléculas, al entrenar el modelo en millones de reacciones publicadas en patentes.
Traducir el lenguaje de las moléculas
Los investigadores analizaron la predicción de la reacción química como un problema de traducción automática. Las moléculas que reaccionan se consideran como un ‘lenguaje’, mientras que el producto se considera como un idioma diferente. El modelo luego usa los patrones en el texto para aprender a ‘traducir’ entre los dos idiomas.
Con este enfoque, el modelo logra una precisión del 90% en la predicción del producto correcto de reacciones químicas invisibles, mientras que la precisión de los químicos humanos capacitados es de alrededor del 80%.
Los investigadores dicen que el modelo es lo suficientemente preciso como para detectar errores en los datos y predecir correctamente una gran cantidad de reacciones difíciles.
El modelo también sabe lo que no sabe. Produce una puntuación de incertidumbre, que elimina las predicciones incorrectas con un 89% de precisión. Como los experimentos requieren mucho tiempo, la predicción precisa es crucial para evitar seguir costosas rutas experimentales que finalmente terminan en fracaso.
En el segundo estudio, Lee y su grupo, en colaboración con la compañía biofarmacéutica Pfizer, demostraron el potencial práctico del método en el descubrimiento de fármacos.
Los investigadores demostraron que cuando se entrena en la investigación química publicada, el modelo puede hacer predicciones precisas de reacciones basadas en cuadernos de laboratorio, lo que demuestra que el modelo ha aprendido las reglas de la química y puede aplicarlo a la configuración de descubrimiento de fármacos.
El equipo también demostró que el modelo puede predecir secuencias de reacciones que conducirían al producto deseado. Aplicaron esta metodología a diversas moléculas similares a las drogas, demostrando que los pasos que predice son químicamente razonables. Esta tecnología puede reducir significativamente el tiempo de descubrimiento preclínico de medicamentos porque proporciona a los químicos medicinales un plan de dónde comenzar.
«Nuestra plataforma es como un GPS para la química», dijo Lee, quien también es investigador del St Catharine’s College. «Informa a los químicos si una reacción es ir o no, y cómo navegar por las rutas de reacción para hacer una nueva molécula».
Los investigadores de Cambridge actualmente utilizan esta tecnología de predicción de reacciones para desarrollar una plataforma completa que une el ciclo diseño-prueba-prueba en el descubrimiento de fármacos y el descubrimiento de materiales: prediciendo moléculas bioactivas prometedoras, formas de hacer esas moléculas orgánicas complejas y seleccionando los experimentos que son más informativos. Los investigadores ahora están trabajando en extraer información química del modelo, intentando comprender lo que ha aprendido que los humanos no son capaces.
«Podemos progresar mucho en química si aprendemos qué tipo de patrones está observando el modelo para hacer una predicción», dijo Peter Bolgar, estudiante de doctorado en química orgánica sintética involucrado en ambos estudios. «El modelo y los químicos humanos juntos se volverían extremadamente poderosos en el diseño de experimentos, más de lo que cada uno sería sin el otro».
La investigación fue apoyada por el Programa Winton para la Física de la Sostenibilidad y el Fondo Herchel Smith.
Referencias: Philippe Schwaller et al. ‘ Transformador molecular: un modelo para la predicción de reacción química calibrada con incertidumbre ‘. ‘Molecular Transformer: A Model for Uncertainty-Calibrated Chemical Reaction Prediction.’ ACS Central Science (2019). DOI: 10.1021 / acscentsci.9b00576
Alpha Lee y col. ‘ El transformador molecular unifica la predicción de reacción y la retrosíntesis en el espacio químico químico ‘. ‘Molecular Transformer unifies reaction prediction and retrosynthesis across pharma chemical space Comunicaciones Químicas (2019). DOI: 10.1039 / C9CC05122H
Fuente: University of Cambridge
