El aprendizaje profundo ayuda a predecir nuevas combinaciones de medicamentos para combatir el Covid-19

El aprendizaje profundo ayuda a predecir nuevas combinaciones de medicamentos para combatir el Covid-19

septiembre 25, 2021 0 Por RenzoC

La amenaza existencial de Covid-19 ha puesto de relieve una gran necesidad de desarrollar terapias eficaces contra los problemas de salud emergentes. Uno de los lujos que nos ha brindado el aprendizaje profundo es la capacidad de cambiar el panorama a medida que se desarrolla, siempre que podamos estar al día con la amenaza viral y acceder a los datos correctos.

Como ocurre con todas las enfermedades médicas nuevas, los datos suelen tardar en recuperarse y el virus no tarda en ralentizarse, lo que plantea un desafío difícil, ya que puede mutar rápidamente y volverse resistente a los medicamentos existentes. Esto ha llevado a los científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y de la Clínica Jameel para el Aprendizaje Automático en Salud a preguntarse: ¿Cómo podemos identificar las combinaciones de medicamentos sinérgicas adecuadas para la rápida propagación del SARS-CoV-2?

Por lo general, los científicos de datos usan el aprendizaje profundo para encontrar combinaciones de medicamentos con grandes conjuntos de datos existentes para cosas como el cáncer y las enfermedades cardiovasculares, pero es comprensible que no se puedan usar para nuevas enfermedades con datos limitados.

Sin los datos y cifras necesarios, el equipo necesitaba un nuevo enfoque: una red neuronal que tuviera dos sombreros. Dado que la sinergia de fármacos a menudo se produce mediante la inhibición de objetivos biológicos (como proteínas o ácidos nucleicos), el modelo aprende conjuntamente la interacción fármaco-objetivo y la sinergia fármaco-fármaco para extraer nuevas combinaciones. El predictor del objetivo del fármaco modela la interacción entre un fármaco y un conjunto de objetivos biológicos conocidos relacionados con la enfermedad elegida. El predictor de la asociación objetivo-enfermedad aprende a comprender la actividad antiviral de un fármaco, lo que significa determinar el rendimiento del virus en cultivos de tejidos infectados. Juntos, pueden predecir la sinergia de dos fármacos.

Se encontraron dos nuevas combinaciones de medicamentos utilizando este enfoque: remdesivir (actualmente aprobado por la FDA para el tratamiento de Covid-19) y reserpina, así como remdesivir e IQ-1S, que, en pruebas biológicas, han demostrado ser potentes contra el virus. El estudio fue publicado en Proceedings of the National Academy of Sciences.

«Al modelar las interacciones entre los medicamentos y los objetivos biológicos, podemos reducir significativamente la dependencia de los datos de sinergia combinados», dice Wengong Jin SM ’18, un postdoctorado en el Instituto Broad del MIT y Harvard que recientemente completó su trabajo de doctorado en CSAIL. quien es el autor principal de un nuevo artículo de investigación. “A diferencia de los enfoques anteriores que utilizaban la interacción fármaco-objetivo como descriptores fijos, nuestro método aprende a predecir la interacción fármaco-objetivo a partir de estructuras moleculares. Esto es ventajoso ya que un gran porcentaje de compuestos tiene información incompleta sobre la interacción fármaco-objetivo ”.

El uso de múltiples fármacos para maximizar la potencia y al mismo tiempo reducir los efectos secundarios es prácticamente omnipresente para el cáncer y las enfermedades cardiovasculares antes mencionadas, incluidas muchas otras, como la tuberculosis, la lepra y la malaria. El uso de cócteles de medicamentos especializados puede, de manera muy importante, reducir la amenaza severa ya veces pública de la resistencia (piense en Staphylococcus aureus resistente a la meticilina conocido como «MRSA»), ya que muchas mutaciones resistentes a los medicamentos son mutuamente excluyentes. Es mucho más difícil para un virus desarrollar dos mutaciones al mismo tiempo y luego volverse resistente a dos fármacos en una terapia combinada.

Es importante destacar que el modelo no se limita a una sola cepa de SARS-CoV-2, sino que también podría usarse para la variante Delta cada vez más contagiosa u otras variantes de preocupación que puedan surgir. Para ampliar la eficacia del modelo contra estas cepas, solo necesitaría datos adicionales sobre la sinergia de la combinación de fármacos para las mutaciones relevantes. Además, el equipo aplicó su propio enfoque al VIH y el cáncer de páncreas.

Para refinar aún más su modelo biológico, el equipo planea incorporar más información, como la interacción proteína-proteína y las redes reguladoras de genes.

Otra dirección para el trabajo futuro que están explorando es algo llamado «aprendizaje activo». Muchos modelos de combinación de fármacos están orientados hacia determinados espacios químicos debido a su tamaño limitado, por lo que existe una alta incertidumbre en las predicciones. El aprendizaje activo ayuda a guiar el proceso de recopilación de datos y a mejorar la precisión en un espacio químico más grande.

Jin escribió el artículo con Jonathan M. Stokes, Banting Fellow en el Broad Institute del MIT y Harvard; Richard T. Eastman, científico del Centro Nacional para el Avance de las Ciencias Traslacionales; Zina Itkin, científica de los Institutos Nacionales de Salud; Alexey V. Zakharo, gerente de TI del Centro Nacional para el Avance de las Ciencias Traslacionales (NCATS); James J. Collins, profesor de ingeniería biológica en MIT; y Tommi S. Jaakkola y Regina Barzilay, profesores del MIT de ingeniería eléctrica e informática en el MIT.

Este proyecto cuenta con el apoyo de la Clínica Abdul Latif Jameel de Aprendizaje Automático en Salud; la Agencia de Reducción de Amenazas de Defensa; Fundación Patrick J. McGovern; el programa DARPA Accelerated Molecular Discovery; y en parte del Programa de Investigación Intramural / Extramural del Centro Nacional para el Avance de las Ciencias Traslacionales dentro de los Institutos Nacionales de Salud.