Un equipo de investigadores ha desarrollado una estrategia computacional que permite diseñar moléculas terapéuticas desde cero, lo que podría ayudar en el tratamiento frente al alzhéimer y ciertos tipos de cáncer. Los autores son científicos procedentes del Consejo Superior de Investigaciones Científicas (CSIC), la Universidad Pontificia Comillas y la empresa AItenea Biotech.
En concreto, el proyecto utiliza la inteligencia artificial generativa y modelos predictivos, combinados con técnicas tradicionales como el acoplamiento molecular (docking) y cálculos de teoría del funcional de la densidad (DFT), para diseñar y validar químicamente una nueva familia de compuestos.
Uno de ellos mostró en el proceso su eficacia en la inhibición de la proteína DYRK1A, implicada en enfermedades como el síndrome de Down, el alzhéimer y ciertos tipos de cáncer. También, reveló propiedades antioxidantes y antiinflamatorias y una buena permeabilidad cerebral, algo que los autores consideran imprescindible para atravesar la barrera hematoencefálica y poder funcionar terapéuticamente.
Según la investigadora del Centro de Investigaciones Biológicas Margarita Salas (CIB-CSIC), Nuria E. Campillo, y una de las autoras principales, hay estudios que sugieren que esto puede ayudar a prevenir o ralentizar procesos patológicos asociados a la neurodegeneración.
Por su parte, el profesor de investigación del CSIC en el Instituto de Ciencias Matemáticas (ICMAT) y coautor del estudio, David Ríos Insua, señala que esta estrategia acelera “tremendamente” el proceso de diseño de nuevas moléculas que, con los métodos habituales, requerirían de muchos años.
Asimismo, los científicos subrayan que este protocolo es adaptable a otros objetivos terapéuticos, lo que abre la posibilidad de aplicarlo en la búsqueda de tratamientos para diversas enfermedades. En esta línea, destacan que el trabajo muestra cómo la combinación de la IA con los métodos tradicionales es capaz de “revolucionar el diseño de fármacos”, ofreciendo nuevas vías para el tratamiento de enfermedades complejas.
Planes a futuro
Los autores explican que el nuevo protocolo se centra en un modelo generativo jerárquico, construido sobre representaciones moleculares en forma de grafos. Este permite generar miles de nuevas moléculas, incluso a partir de conjuntos de datos experimentales limitados, realizando predicciones “más robustas y fiables”, tal y como destaca Simón Rodríguez, de la Universidad Pontificia Comillas, otro de los autores del artículo.
Además, el equipo ha empleado los denominados modelos de relación cuantitativa estructura-actividad (QSAR), potenciados por modelos de inteligencia artificial, para predecir las propiedades biológicas de los compuestos, lo que ha ayudado a mejorar la precisión en la predicción de la actividad biológica.
A futuro, los investigadores señalan que los siguientes pasos incluyen la optimización de los compuestos identificados y su evaluación en modelos preclínicos. También, en refinar las moléculas haciendo una integración directa de los modelos QSAR con los generativos, y en el desarrollo de otros modelos para hacer más específica la formulación, así como estudiar su posible combinación con técnicas de aprendizaje por refuerzo.