Investigadores usan la inteligencia artificial (IA) para identificar una nueva clase de antibióticos capaces de combatir bacterias ultrarresistentes.
Con la ayuda de un tipo de inteligencia artificial conocida como aprendizaje profundo, científicos del Instituto Tecnológico de Massachusetts (MIT) han logrado descubrir una nueva familia de compuestos capaz de aniquilar una bacteria resistente a los medicamentos existentes.
Hablamos del Staphylococcus aureus, una de las cinco bacterias más peligrosas que existen, según la Organización Mundial de la Salud (OMS): y no es para menos, ya que cada año causa más de un millón de muertes en el mundo.
En un estudio publicado en la revista Nature se puede leer que los compuestos hallados por la IA podrían matar a este indeseable estafilococo. En concreto, al Staphylococcus aureus resistente a la meticilina (MRSA), tanto en cultivos de laboratorio como en modelos animales infectados con este germen.
Además, los antimicriobianos producto de la inteligencia artificial muestran una toxicidad muy baja cuando entran en contacto con células humanas. Esto los convierte en unos candidatos nada despreciables para convertirse en el nuevo azote del Staphylococcus aureus.
Nuevos antibióticos creados con I.A
Pero aquí no queda la novedad del nuevo avance. Durante la investigación, los científicos del MIT también pudieron descubrir qué tipo de información estaba utilizando el modelo de aprendizaje profundo para hacer sus predicciones de potenciales moléculas antibióticas. Este conocimiento podría ser de gran utilidad para los expertos a la hora de diseñar fármacos adicionales que podrían funcionar incluso mejor que los identificados por la inteligencia artificial.
«En nuestro caso, la idea era poder ver lo que aprendían los modelos para predecir que ciertas moléculas podrían ser buenos antibióticos. Nuestro trabajo proporciona un marco que, desde el punto de vista de la estructura química, ahorra tiempo, recursos y conocimientos mecánicos que no teníamos hasta la fecha», afirma James Collins, catedrático de Ingeniería y Ciencias Médicas en el Instituto de Ingeniería y Ciencias Médicas (IMES) y del Departamento de Ingeniería Biológica del MIT.
Collins dirige el proyecto del MIT conocido como Antibiotics-AI, cuyo objetivo no es otro que descubrir nuevas clases de antibióticos contra siete tipos de bacterias mortales, a lo largo de siete años. Con él trabajan Felix Wong, también del IMES, y Erica Zheng, antigua estudiante de posgrado de la Facultad de Medicina de Harvard. Ellos tres firman el artículo publicado en Nature.
Una bacteria que pasó de ser poco infecciosa a asesina
El SARM, que fue en origen una bacteria Staphylococcus aureus poco infecciosa y sensible a los antibióticos, suele causar infecciones cutáneas o neumonía. Los casos graves pueden provocar sepsis, una infección potencialmente mortal del torrente sanguíneo.
En los últimos años, Collins y sus colegas de la Clínica Abdul Latif Jameel de Aprendizaje Automático en Salud (Clínica Jameel), en el MIT, han utilizado cada vez más el aprendizaje profundo para tratar de encontrar nuevos antibióticos que derroten a las superbacterias. Su trabajo ha dado lugar a posibles fármacos contra el Acinetobacter baumannii, un germen que se encuentra a menudo en los hospitales, y otras muchas bacterias resistentes a los medicamentos.
La inteligencia artificial está revolucionando la medicina
No cabe duda de que la inteligencia artificial (IA) ha tenido un impacto significativo en el campo de la biomedicina, y se han desarrollado diversas aplicaciones que mejoran la investigación, el diagnóstico, el tratamiento y la gestión de enfermedades.
Así, en el terreno del diagnóstico médico, los algoritmos de IA son capaces de analizar imágenes médicas, como radiografías, tomografías computarizadas (TC) y resonancias magnéticas (RM), para detectar patrones y anomalías que podrían ser difíciles de identificar para los médicos. Esto está siendo especialmente útil en el diagnóstico precoz de enfermedades como el cáncer.
Los modelos de IA también están desempeñando un papel capa vez más importante en la predicción y pronóstico médicos. Las IA, por ejemplo, pueden analizar grandes conjuntos de datos clínicos para predecir el riesgo de enfermedades, la progresión de estas y el pronóstico de los pacientes. Esto ayuda a los profesionales de la salud a tomar decisiones informadas sobre el tratamiento y la gestión de los pacientes.
La IA también ha cobrado protagonismo en la identificación de nuevos compuestos farmacéuticos y en el diseño de medicamentos, incluso desde cero. Y ha protagonizado una carrera imparable, salpicada de avances espectaculares. Sin ir más lejos, a principios de 2020, la firma Exscientia, de Oxford, anunció la primera molécula farmacológica diseñada por IA —una molécula para tratar a pacientes con trastorno obsesivo-compulsivo— que entrará en ensayos clínicos en humanos.
Al año siguiente, un sistema de inteligencia artificial de DeepMind llamado AlphaFold predijo las estructuras proteicas de 330.000 proteínas, incluidas las 20.000 proteínas del genoma humano. Desde entonces, la base de datos de estructura de proteínas AlphaFold se ha ampliado para incluir más de doscientos millones de proteínas, lo que cubre casi todas las proteínas catalogadas conocidas por la ciencia.
En febrero de 2022, la start-up biotecnológica de Hong Kong Insilico Medicine hizo público el inicio de los ensayos clínicos en Fase I para un fármaco antifibrótico descubierto mediante su plataforma de inteligencia artificial PHARMA.AI. El tiempo total que transcurrió desde que la IA se puso a buscar la molécula hasta que esta estuvo lista para ser testada en humanos fue de ¡unos 30 meses!
En enero de 2023, AbSci, una compañía estadounidense de síntesis de fármacos con IA generativa, se convirtió en la primera firma del mundo en «en crear y validar anticuerpos de novo in silicio [vía ordenador]» con la asistencia de la inteligencia artificial generativa. Esta es una rama de la inteligencia artificial que se enfoca en la generación de contenido original a partir de datos existentes.
Y solo un mes después, en febrero, la FDA concedió su primera designación de medicamento huérfano a un fármaco descubierto y diseñado con IA. Hay que recordar que los medicamentos huérfanos son aquellos fármacos destinados al tratamiento de enfermedades de baja prevalencia, también conocidas como enfermedades raras.
INS018_055. Así se llama la nueva molécula terapéutica puesta a punto por la IA de la citada Insilico Medicine para intentar tratar la fibrosis pulmonar idiopática (FPI). Esta es una enfermedad de causa aún desconocida que afecta a los pulmones y que tiene mal pronóstico. Los ensayos con pacientes en Fase II con INS018_055 ya están en marcha, según fuentes de la compañía.
150 nuevas moléculas terapéuticas y más de 15 ensayos clínicos
Sin duda alguna, la IA está revolucionando el descubrimiento de fármacos que podrán salvar vidas y mejorar el tratamiento de una larga lista de enfermedades. Según la consultoría estratégica global Boston Consulting Group, radicada en Massachusetts, la industria farmacéutica inmersa en la inteligencia artificial generativa había descubierto, a fecha de marzo de 2022, «más de 150 moléculas terapéuticas y estaba realizando más de quince ensayos clínicos».
El cáncer es una de las enfermedades que más podría beneficiarse de la IA. «La inteligencia artificial es un método avanzado para identificar nuevas dianas anticancerígenas y descubrir nuevos fármacos a partir de redes biológicas», dicen Senyi Deng, del Instituto de Oncología Torácica, en la Universidad de
Sichuan (China), y sus colegas en un artículo en la revista Nature.
En palabras de Deng, «dichas redes pueden preservar y cuantificar eficazmente la interacción entre los componentes de los sistemas celulares subyacentes a enfermedades humanas como el cáncer». Por ejemplo, investigadores de la Universidad de Toronto (Canadá) han utilizado AlphaFold, una base de datos de estructuras proteicas basada en inteligencia artificial (IA), para diseñar y sintetizar un posible fármaco y poder tratar el carcinoma hepatocelular (CHC). Este es el tipo más común de cáncer primario de hígado y la tercera causa de muerte por cáncer en el mundo. ¡Y han conseguido dar con la nueva diana terapéutica en solo un mes!
«Mientras el mundo está fascinado con los avances de la IA generativa en el arte y el lenguaje, nuestros algoritmos de IA generativa han conseguido diseñar potentes inhibidores contra una diana con una estructura derivada de AlphaFold», comenta Alex Zhavoronkov, fundador de Insilico Medicine. Él es el autor de este encomiable trabajo, junto a Alán Aspuru-Guzik, de la Universidad de Toronto, y el nobel Michael Levitt.
Hay que recordar que el descubrimiento tradicional de fármacos es un proceso largo y costoso, en el que las fases preclínicas suelen durar de tres a seis años y pueden costar desde cientos de millones hasta miles de millones de euros. Sin embargo, las herramientas de IA están revolucionando casi todas las etapas del proceso de descubrimiento de fármacos: identificación de las dianas terapéuticas, simulación de compuestos por ordenador, predicción de las propiedades de estos, diseño de fármacos desde cero, identificación de las moléculas más prometedoras para tratar un mal…
En el caso de la nueva familia de antibióticos del MIT, esta se identificó, según Collins, utilizando modelos de aprendizaje profundo capaces de aprender a identificar estructuras químicas asociadas con la actividad antimicrobiana. Luego, estos modelos examinan millones de otros compuestos, y genera predicciones sobre cuáles de aquellas pueden tener una fuerte actividad antimicrobiana.
Los científicos expertos en IA se enfrentan a unas “cajas negras”
Este tipo de búsquedas han resultado ser muy fructíferas, pero una limitación de este enfoque científico es que los modelos son como una suerte de cajas negras, lo que significa que no hay forma de saber en qué características basó el modelo sus predicciones. Si los científicos supieran cómo los modelos hacen sus predicciones, les resultaría más fácil identificar o diseñar antibióticos adicionales.
«Lo que nos propusimos hacer en este estudio fue abrir la caja negra —dice Wong. Y añade—: Estos modelos consisten en una gran cantidad de cálculos que imitan conexiones neuronales, y nadie sabe realmente qué sucede debajo del capó».
Lo primero que hicieron los investigadores del MIT fue entrenar a un modelo de aprendizaje profundo utilizando conjuntos de datos sustancialmente ampliados. Generaron estos datos de entrenamiento probando alrededor de 39.000 compuestos para determinar la actividad antibiótica contra el Staphylococcus aureus resistente a la meticilina (MRSA) y, a continuación, introdujeron estos datos, junto con información sobre las estructuras químicas de los compuestos, en el modelo.
«Se puede representar básicamente cualquier molécula como una estructura química, y además se le dice al modelo si esta es antibacteriana o no —dice Wong. Y continúa—: El modelo se entrena con muchos ejemplos de este tipo. Si se le da una molécula nueva, una nueva disposición de átomos y enlaces, puede lanzar una probabilidad de que ese compuesto sea antibacteriano».
Para averiguar cómo el modelo estaba haciendo sus predicciones, los investigadores del MIT adaptaron un algoritmo conocido como búsqueda de árbol Monte Carlo, que permite al modelo generar no solo una estimación de la actividad antimicrobiana de cada molécula, sino también una predicción de qué subestructuras de la molécula probablemente explican esa actividad.
Y con el propósito de reducir aún más el grupo de fármacos candidatos, Collins y su equipo entrenaron a tres modelos adicionales de aprendizaje profundo. Estos permitían predecir si los compuestos eran tóxicos para tres tipos diferentes de células humanas. Al combinar esta información con las predicciones de actividad antimicrobiana, los investigadores descubrieron compuestos que podrían matar microbios y, al mismo tiempo, con efectos secundarios mínimos en el cuerpo humano.
Con esta colección de modelos sobre la mesa, los investigadores analizaron la friolera de doce millones de compuestos, todos ellos disponibles en el mercado. A partir de dicha colección, los modelos identificaron una selección de compuestos de cinco clases diferentes, basados en subestructuras químicas dentro de las moléculas, con potencial para aniquilar al SARM.
Por último, Collins adquirió unos 280 compuestos y los probó contra el SARM en el laboratorio. Tras la criba, dos de ellos, sobresalieron sobre los demás a la hora de combatir el SARM a través de sus membranas celulares. «Nuestro enfoque de aprendizaje profundo sustancialmente aumentado nos ha permitido predecir esta nueva clase estructural de antibióticos y determinar que no es tóxica contra las células humanas», concluye Wong.
TAMBIÉN TE PUEDE INTERESAR:
