Una colaboración innovadora entre investigadores de la Universidad de Cambridge y la compañía farmacéutica Pfizer ha llevado a un enfoque transformador en el descubrimiento y desarrollo de medicamentos. Al combinar experimentos automatizados con inteligencia artificial (IA), el equipo ha aprovechado el poder del aprendizaje automático para revolucionar la creación de nuevos medicamentos.
Tradicionalmente, el descubrimiento de medicamentos se ha basado en métodos de prueba y error, lo que a menudo resultaba en altas tasas de fracaso. El enfoque convencional implicaba simular reacciones químicas utilizando modelos simplificados que eran computacionalmente exigentes y propensos a inexactitudes. Sin embargo, la técnica desarrollada por el equipo de Cambridge, llamada «reactoma químico», está lista para cambiar el juego.
El reactoma químico es un método impulsado por datos que identifica correlaciones entre reactivos, reactivos y el rendimiento de una reacción. Al analizar un vasto conjunto de datos de más de 39,000 reacciones relevantes, no solo resalta las brechas existentes en los datos, sino que también descubre relaciones ocultas entre los componentes de la reacción y los resultados. Este enfoque, combinado con experimentos automatizados de alto rendimiento, lleva la química a la era de los datos masivos.
Además del reactoma químico, el equipo también ha desarrollado un enfoque de aprendizaje automático para transformaciones moleculares precisas. Este método permite a los químicos realizar cambios específicos en el núcleo de una molécula, similar a un ajuste de diseño de último minuto. Esta flexibilidad es crucial en el diseño eficiente de medicamentos, especialmente para reacciones de funcionalización en etapas tardías que a menudo son impredecibles y difíciles de controlar.
Para superar las limitaciones de datos escasos en la funcionalización en etapas tardías, los investigadores entrenaron su modelo de aprendizaje automático en datos espectroscópicos extensos. Este preentrenamiento permitió que el modelo predijera con precisión los sitios de reacción y sus variaciones en diferentes condiciones. La validación experimental del modelo en un conjunto diverso de moléculas similares a medicamentos demostró su capacidad para predecir con precisión los sitios de reactividad.
La aplicación del aprendizaje automático en la química a menudo se ha visto obstaculizada por la escasez de datos en comparación con la vastedad del espacio químico. Sin embargo, el enfoque del equipo de Cambridge, que implica diseñar modelos que aprenden de conjuntos de datos similares pero no idénticos, ha resuelto este desafío. Este avance tiene el potencial de desbloquear avances significativos en el descubrimiento y diseño de medicamentos, más allá de la funcionalización en etapas tardías.
El estudio que detalla este trabajo innovador se ha publicado en la revista Nature Communications. Con la llegada del aprendizaje automático en la industria farmacéutica, el futuro del descubrimiento y diseño de medicamentos parece prometedor. Al aprovechar el poder de la IA, los investigadores pueden esperar un desarrollo más rápido y eficiente de medicamentos que salvan vidas.
The source of the article is from the blog kewauneecomet.com