La creciente urgencia de medicamentos innovadores en diversos campos médicos, como antibióticos, tratamientos contra el cáncer, trastornos autoinmunes y terapias antivirales, subraya la necesidad de incrementar los esfuerzos de investigación y desarrollo. El descubrimiento de fármacos, un proceso complejo que implica la exploración de un vasto espacio químico, puede beneficiarse de los métodos computacionales y, más recientemente, del aprendizaje profundo. El aprendizaje profundo, en particular la IA generativa, resulta prometedor para explorar de manera eficiente extensas bibliotecas químicas, predecir nuevas moléculas bioactivas y mejorar el desarrollo de candidatos a fármacos mediante el aprendizaje y el reconocimiento de patrones a lo largo del tiempo.
Investigadores de la Facultad de Medicina, Universidad de Oporto, Oporto, Portugal, Departamento de Medicina Comunitaria, Información y Decisión en Salud, Facultad de Medicina, Universidad de Oporto, Oporto, Portugal, Centro de Investigación en Tecnologías y Servicios de Salud (CINTESIS), Oporto, Portugal, Facultad de Ciencias de la Salud, Universidad Fernando Pessoa, Oporto, Portugal, SIGIL Scientific Enterprises, Dubai, Emiratos Árabes Unidos y MedFacts Lda., Lisboa, Portugal han creado MedicinaGAN. Este modelo de aprendizaje profundo utiliza redes generativas adversarias de Wasserstein y redes convolucionales de gráficos. Su objetivo es generar nuevas moléculas de andamio de quinolina trabajando con gráficos moleculares intrincados. El proceso de desarrollo implicó ajustar los hiperparámetros y evaluar cualidades similares a las de un fármaco, como la farmacocinética, la toxicidad y la accesibilidad sintética.
El estudio analiza la necesidad urgente de medicamentos nuevos y eficaces en diversas clases, como antibióticos, tratamientos contra el cáncer, trastornos autoinmunes y tratamientos antivirales, debido a los desafíos emergentes en la administración de medicamentos, los mecanismos de las enfermedades y las rápidas tasas de mutación. Destaca el potencial de la IA generativa en el descubrimiento de fármacos, incluida la reutilización de fármacos, su optimización y su diseño de novo, utilizando técnicas como redes neuronales recursivas, codificadores automáticos, redes generativas de confrontación y aprendizaje por refuerzo. El estudio enfatiza la importancia de explorar el vasto espacio químico para el descubrimiento de fármacos y el papel de los métodos computacionales para guiar el proceso hacia objetivos óptimos.
El estudio utilizó la arquitectura WGAN para desarrollar un nuevo modelo GAN para crear moléculas similares a las quinolinas. El objetivo era mejorar y optimizar el resultado del modelo enfatizando el aprendizaje de patrones clave particulares, como la estructura molecular inherente a la estructura de la quinolina. El modelo se ajustó utilizando un enfoque GAN optimizado, donde se entrenaron y evaluaron tres modelos diferentes (modelos 1, 2 y 3) en función de su capacidad para generar estructuras químicas válidas. Los modelos 2 y 3 mostraron una marcada mejora con respecto al modelo base, logrando puntuaciones más altas en el desarrollo de estructuras químicas válidas. Estos modelos se seleccionaron para realizar ajustes adicionales utilizando un conjunto de datos más grande de moléculas de quinolina.
El estudio también dividió el conjunto de datos ZINC15 en tres subconjuntos según la complejidad, que se utilizaron secuencialmente para perfeccionar el entrenamiento. Los subconjuntos incluían moléculas de quinolina de diferentes tamaños y constituciones, lo que permitió un enfoque más personalizado para generar moléculas con propiedades químicas superiores.
El modelo MedGAN se ha optimizado para crear moléculas de andamio de quinolina para el descubrimiento de fármacos y ha logrado resultados impresionantes. El mejor modelo desarrolló un 25% de moléculas válidas y un 62% completamente conectadas, de las cuales el 92% eran quinolinas y el 93% eran únicas. Conservó propiedades importantes como la quiralidad, la carga atómica y atributos favorables similares a los de las drogas. Generó con éxito 4831 moléculas de quinolina únicas y completamente conectadas que no estaban presentes en el conjunto de datos de entrenamiento original. Estas moléculas generadas se adhieren a la regla de 5 de Lipinski, que indica su potencial biodisponibilidad y accesibilidad sintética.
En conclusión, el estudio presenta MedGAN, una GAN optimizada con GCN para el diseño de moléculas. Las moléculas generadas conservaron importantes propiedades similares a las de los fármacos, incluida la quiralidad, la carga atómica y la farmacocinética favorable. El modelo demostró el potencial de crear nuevas estructuras moleculares y mejorar las aplicaciones de aprendizaje profundo en el diseño computacional de fármacos. El estudio destaca el impacto de varios factores, como funciones de activación, optimizadores, tasas de aprendizaje, tamaño de molécula y estructura de andamio, en el rendimiento de los modelos generativos. MedGAN ofrece un enfoque prometedor para acceder y explorar rápidamente bibliotecas químicas, descubriendo nuevos patrones e interconexiones para el descubrimiento de fármacos.
Revisar la Papel y GitHub. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Unirse nuestro SubReddit de 36k+ ML, 41k+ comunidad de Facebook, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro Canal de telegramas
A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.