La intuición y la IA forman una extraña pareja.

La intuición es difícil de describir. Es ese presentimiento que te corroe, incluso si no sabes por qué. Naturalmente, desarrollamos la intuición a través de la experiencia. Los instintos no siempre son correctos; pero a menudo se infiltran en nuestro subconsciente para complementar la lógica y el razonamiento a la hora de tomar decisiones.

La IA, por el contrario, aprende rápidamente al digerir millones de puntos de datos fríos y duros, produciendo resultados puramente analíticos, aunque no siempre razonables, basados ​​en sus entradas.

Ahora, un nuevo estudio in Nature Communications se casa con el par impar, lo que da como resultado un sistema de aprendizaje automático que captura la intuición de un químico para el desarrollo de fármacos.

Al analizar los comentarios de 35 químicos de Novartis, una compañía farmacéutica con sede en Suiza, el equipo desarrolló un modelo de IA que aprende de la experiencia humana en una etapa notoriamente difícil del desarrollo de fármacos: encontrar sustancias químicas prometedoras compatibles con nuestra biología.

En primer lugar, los químicos utilizaron su intuición para elegir cuál de 5,000 pares químicos tenía mayores posibilidades de convertirse en un fármaco útil. A partir de esta retroalimentación, una simple red neuronal artificial aprendió sus preferencias. Cuando se los desafió con nuevos productos químicos, el modelo de IA le dio a cada uno una puntuación que clasificaba si era digno de un mayor desarrollo como medicamento.

Sin ningún detalle sobre las estructuras químicas en sí, la IA calificó "intuitivamente" ciertos componentes estructurales, que a menudo ocurren en los medicamentos existentes, más alto que otros. Sorprendentemente, también capturó propiedades nebulosas que no estaban programadas explícitamente en intentos anteriores de modelado por computadora. Junto con un modelo de IA generativa, como DALL-E, el roboquímico diseñó una serie de nuevas moléculas como posibles pistas.

Muchos candidatos a fármacos prometedores se basaron en "conocimientos técnicos colectivos", escribió el equipo.

El estudio es una colaboración entre Novartis y Microsoft Research AI4Science, este último con sede en el Reino Unido.

Por la madriguera del conejo químico

La mayoría de nuestros medicamentos cotidianos están elaborados a partir de moléculas pequeñas: Tylenol para el dolor, metformina para el control de la diabetes y antibióticos para combatir las infecciones bacterianas.

Pero encontrar estas moléculas es una molestia.

Primero, los científicos necesitan entender cómo funciona la enfermedad. Por ejemplo, descifran la cadena de reacciones bioquímicas que provocan un fuerte dolor de cabeza. Luego encuentran el eslabón más débil de la cadena, que suele ser una proteína, y modelan su forma. Estructura en mano, señalan rincones y recovecos en los que las moléculas pueden bloquearse para alterar la función de la proteína, deteniendo así el proceso biológico; voilà, no más dolores de cabeza.

Gracias a IA de predicción de proteínas, como AlphaFold, RoseTTAFold y sus derivados, ahora es más fácil modelar la estructura de una proteína objetivo. Encontrar una molécula que se ajuste a ella es otra cuestión. El fármaco no sólo necesita alterar la actividad del objetivo. También debe absorberse fácilmente, extenderse al órgano o tejido objetivo y metabolizarse y eliminarse del cuerpo de forma segura.

Aquí es donde entran los químicos medicinales. Estos científicos son pioneros en la adopción del modelado por ordenador. Hace más de dos décadas, el campo comenzó a utilizar software para examinar bases de datos enormemente grandes de sustancias químicas en busca de pistas prometedoras. Luego, un equipo de químicos evalúa cada pista potencial antes de seguir desarrollándola.

A través de este proceso, los químicos medicinales construyen una intuición que les permite tomar decisiones eficientemente al revisar candidatos a fármacos prometedores. Parte de su formación puede ser destilado en reglas para que las computadoras aprendan; por ejemplo, es probable que esta estructura no pase al cerebro; que se podría dañar el hígado. Estas reglas de expertos han ayudado con la evaluación inicial. Pero hasta ahora, ningún programa puede captar las sutilezas y complejidades de su toma de decisiones, en parte porque los químicos no pueden explicarlo por sí mismos.

Tengo un sentimiento

El nuevo estudio buscó capturar lo inexplicable en un modelo de IA.

El equipo reclutó a 35 químicos expertos en varios centros de Novartis en todo el mundo, cada uno con diferentes conocimientos. Algunos trabajan, por ejemplo, con células y tejidos, otros con modelos informáticos.

La intuición es difícil de medir. Tampoco es exactamente confiable. Como punto de partida, el equipo diseñó un juego multijugador para evaluar si cada químico era consistente en sus elecciones y si sus elecciones coincidían con las de los demás. A cada químico se le mostraron 220 pares de moléculas y se le hizo una pregunta intencionalmente vaga. Por ejemplo, imagine que está en una campaña inicial de detección virtual y necesitamos un medicamento que pueda tomarse en forma de pastilla. ¿Qué molécula preferiría?

El objetivo era reducir el pensamiento excesivo, empujando a los químicos a confiar en su intuición para determinar qué sustancia química se queda y cuál se va. Esta configuración difiere de las evaluaciones habituales, donde los químicos verifican propiedades moleculares específicas con modelos predictivos, es decir, datos concretos.

Los químicos fueron consistentes en su propio juicio, pero no siempre estuvieron de acuerdo entre sí, probablemente debido a diferentes experiencias personales. Sin embargo, hubo suficiente superposición como para formar un patrón subyacente del que un modelo de IA podría aprender, explicó el equipo.

Luego ampliaron el conjunto de datos a 5,000 pares de moléculas. Las moléculas, cada una etiquetada con información sobre su estructura y otras características, se utilizaron para entrenar una red neuronal artificial simple. Con entrenamiento, la red de IA ajustó aún más su funcionamiento interno basándose en la retroalimentación de los químicos, y finalmente otorgó una puntuación a cada molécula.

Como prueba de cordura, el equipo probó el modelo en pares químicos diferentes a los de su conjunto de datos de entrenamiento. A medida que aumentaron el número de muestras de entrenamiento, el rendimiento se disparó.

Si bien los programas informáticos anteriores se basaban en reglas sobre lo que hace que un medicamento sea prometedor basándose en la estructura molecular, las puntuaciones del nuevo modelo no reflejaban directamente ninguna de estas reglas. La IA capturó una visión más holística de una sustancia química: un enfoque totalmente diferente para el descubrimiento de fármacos que el utilizado en el software clásico de robo-químico.

Utilizando la IA, el equipo examinó cientos de medicamentos aprobados por la FDA y miles de moléculas de un banco de datos químicos. Incluso sin una formación explícita, el modelo extrajo estructuras químicas (llamadas “fragmentos”) que son más susceptibles de desarrollarse como medicamentos. Las preferencias de puntuación de la IA coincidieron con las de las moléculas similares a las drogas existentes, lo que sugiere que había captado la esencia de lo que constituye una pista potencial.

Romance químico

Novartis no es la primera empresa que explora un romance químico entre humanos y robots.

Anteriormente, la empresa farmacéutica Merck también aprovechado en su experiencia interna para clasificar los productos químicos según un rasgo deseable. Fuera de la industria, un equipo en la Universidad de Glasgow exploró el uso de robots basados ​​en la intuición para experimentos químicos inorgánicos.

Todavía es un estudio pequeño y los autores no pueden descartar las falacias humanas. Algunos químicos pueden elegir una molécula basándose en prejuicios personales que son difíciles de evitar por completo. Sin embargo, la configuración podría usarse para estudiar otros pasos en el descubrimiento de fármacos que son costosos de completar experimentalmente. Y si bien el modelo se basa en la intuición, sus resultados podrían reforzarse mediante filtros basados ​​en reglas para mejorar aún más su rendimiento.

Estamos en una era en la que el aprendizaje automático puede diseñar decenas de miles de moléculas, explicó el equipo. Un asistente químico de inteligencia artificial, armado con intuición, podría ayudar a seleccionar candidatos en la etapa crítica temprana del descubrimiento de fármacos y, a su vez, acelerar todo el proceso.

Crédito de la imagen: eugenia kozyr / Unsplash

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://singularityhub.com/2023/11/03/how-to-give-ai-a-gut-feeling-for-which-molecules-will-make-the-best-drugs/