Un modelo de IA descubre fármacos 1.000 veces más rápido que los métodos actuales

Los investigadores han desarrollado un modelo de inteligencia artificial capaz de encontrar posibles moléculas de medicamentos más de 1.000 veces más rápido que los métodos actuales de última generación.

El equipo del Instituto Tecnológico de Massachusetts (MIT) afirma que el modelo de IA, llamado EquiBind, reducirá significativamente las posibilidades y los costes de los fracasos en los ensayos de medicamentos.

El número de moléculas que tienen rasgos potenciales similares a los de un fármaco es gigantesco, se estima que es de alrededor de 10^60. En comparación, la Vía Láctea tiene alrededor de 10⁸ estrellas.

El modelo EquiBind es capaz de unir con éxito estas moléculas similares a los fármacos a las proteínas a una velocidad que es 1.200 veces más rápida que uno de los modelos de acoplamiento molecular computacional más rápidos que existen.

EquiBind lo consigue gracias al razonamiento geométrico incorporado que le permite predecir qué proteínas se ajustarán a una molécula sin ningún conocimiento previo de su bolsillo objetivo.

“Nos sorprendió que, mientras otros métodos se equivocaban por completo o sólo acertaban una, EquiBind era capaz de colocarla en el bolsillo correcto, así que nos alegramos mucho de ver los resultados de esto”, dijo Hannes Stärk, estudiante de primer año de posgrado en el Departamento de Ingeniería Eléctrica e Informática del MIT y autor principal del artículo que describe la investigación.

Los hallazgos ya han atraído la atención de figuras de la industria, con la esperanza de que pueda utilizarse para encontrar tratamientos para el cáncer de pulmón, la leucemia y los tumores gastrointestinales.

“EquiBind ofrece una solución única al problema del acoplamiento que incorpora tanto la predicción de la postura como la identificación del sitio de unión”, afirmó Pat Walters, director de datos de la empresa de descubrimiento de fármacos Relay Therapeutics.

“Este enfoque, que aprovecha la información de miles de estructuras cristalinas disponibles públicamente, tiene el potencial de impactar en el campo de nuevas maneras”.

El papeltitulado ‘EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction’, se presentará en la International Conference on Machine Learning (ICML).