Imagina que eres un detective intentando resolver un misterio: cómo detener a un criminal específico (una proteína causante de enfermedades) encontrando la llave perfecta (una molécula de fármaco) que encaje en su cerradura. Durante décadas, los científicos han intentado resolver esto construyendo un modelo 3D de la mano del criminal (la forma de la proteína) y luego probando millones de llaves para ver cuál encaja en la cerradura. Esto es como intentar encontrar una aguja en un pajar mirando cada brizna de heno bajo un microscopio. Funciona bien si la mano sostiene una forma estable y clara, pero muchos criminales son desordenados, cambian de posición o esconden sus manos en la oscuridad. Estos objetivos "no tratables" han sido imposibles de descifrar porque no podíamos ver una cerradura clara en la cual encajar una llave. La gran pregunta en el mundo del descubrimiento de fármacos ha sido: ¿Podemos encontrar la llave adecuada sin necesidad de ver la cerradura primero?

Entra en escena Ptarmigan-1, un nuevo detective digital desarrollado por investigadores de Talus Bioscience. En lugar de intentar construir un modelo 3D de la proteína o del fármaco, este modelo aprende a reconocerlos solo por sus "huellas dactilares": su secuencia genética y su fórmula química. Piensa en ello como una aplicación de música que sabe que te encantará una nueva canción solo porque suena similar a tus favoritas, sin necesidad de ver nunca a la banda o el lugar del concierto. Ptarmigan-1 toma la "música" de la secuencia de una proteína y la "música" de la química de un fármaco y las traduce ambas a un lenguaje compartido e invisible. En este lenguaje, un fármaco que encaja con una proteína se sitúa justo al lado de ella, como amigos en una habitación llena de gente. El artículo muestra que este enfoque puede escanear miles de millones de fármacos contra cada proteína del cuerpo humano en menos de un día, encontrando coincidencias que los modelos 3D tradicionales pasan por alto, especialmente para los objetivos desordenados o cambiantes que han desconcertado a los científicos durante años.

El viejo modo vs. El nuevo modo

Durante mucho tiempo, encontrar un nuevo fármaco ha sido como intentar encontrar una llave específica para una cerradura específica construyendo primero un modelo físico de la cerradura. Los científicos utilizaban computadoras para crear una imagen 3D del "bolsillo" de una proteína (la cerradura) y luego simulaban cómo una molécula de fármaco (la llave) podría retorcerse y girar para encajar dentro. Esto se llama acoplamiento molecular (molecular docking). Más recientemente, modelos de IA superinteligentes empezaron a predecir cómo sería el complejo completo de proteína-fármaco, casi como si estuvieran doblando un trozo de papel para hacer una grulla. Estos métodos son excelentes cuando la proteína tiene una forma sólida y bien definida. Pero muchas proteínas importantes, como las implicadas en el cáncer o en las respuestas inmunitarias, son como gelatina o arena movediza. No tienen una forma fija, por lo que no puedes construir un modelo de su cerradura. Si intentas forzar un modelo 3D en ellas, la computadora simplemente adivina una forma que no existe, lo que genera pistas falsas.

Los autores argumentan que esta obsesión por construir poses 3D es, en realidad, lo que está frenando el descubrimiento de fármacos. Es lento, costoso y ciego a los mismos objetivos que más ayuda necesitan. Sugieren que no necesitamos ver la forma 3D para saber si un fármaco funcionará; solo necesitamos saber si la "vibra" del fármaco coincide con la "vibra" de la proteína.

Cómo funciona Ptarmigan-1: El gran casamentero

Ptarmigan-1 es un modelo de "aprendizaje contrastivo", que es una forma elegante de decir que es un maestro casamentero. En lugar de construir un modelo 3D, toma dos cosas: la secuencia de letras que componen una proteína (como una frase larga) y el código químico de un fármaco (como una receta). Utiliza dos cerebros de IA muy potentes —uno entrenado en proteínas y otro entrenado en productos químicos— para traducir ambos en un espacio compartido e invisible.

Imagina una pista de baile gigante, invisible. Por un lado, tienes miles de proteínas y, por el otro, miles de millones de fármacos potenciales. A Ptarman-1 no le importa la forma de sus cuerpos; le importa cómo se mueven. Si un fármaco es una buena pareja para una proteína, el modelo los acerca en esta pista de baile hasta que están casi tocándose. Si no combinan, los aleja. La magia es que hace esto sin construir nunca una imagen 3D de ellos tomados de la mano. Simplemente sabe que pertenecen el uno al otro porque sus "huellas dactilares" se alinean.

Debido a que no tiene que construir un modelo 3D para cada par, es increíblemente rápido. El artículo informa que Ptarmigan-1 puede puntuar un fármaco en 10 milisegundos. Compara esto con los 54 segundos que tarda un modelo 3D líder (Boltz-2) en hacer el mismo trabajo. Eso es una aceleración de 5,000 veces. Esta velocidad permite al equipo analizar una biblioteca de 3.4 mil millones de compuestos contra todo el proteoma humano (los 20,431 proteínas humanas) en menos de un día. Es como revisar a cada persona en un estadio contra cada llave en una enorme bóveda en el tiempo que tardas en preparar una taza de café.

Encontrando la aguja en el pajar desordenado

La verdadera prueba para Ptarmigan-1 fue si podía encontrar fármacos para los objetivos "desordenados" en los que los modelos 3D fallan. Los investigadores lo probaron en tres tipos de desafíos:

1. Los objetivos bien plegados: Para proteínas con formas claras y estables (como las de los libros de texto estándar), Ptarmigan-1 funcionó tan bien como los mejores modelos 3D. Pudo encontrar los fármacos correctos, demostrando que no necesitaba el modelo 3D para ser preciso.
2. Los objetivos crípticos y covalentes: Algunas proteínas tienen bolsillos ocultos que solo se abren cuando llega un fármaco, o tienen puntos específicos donde un fármaco se "pega" químicamente. Los modelos tradicionales suelen pasar por alto estos casos porque no pueden predecir la forma oculta. Ptarmigan-1, sin embargo, identificó con éxito estas coincidencias. Por ejemplo, encontró fármacos que se adhieren a un aminoácido de cisteína específico (un "punto de pegamento") incluso cuando la forma de la proteína era desconocida.
3. Los objetivos desordenados: Esta es la gran victoria. Algunas proteínas son intrínsecamente desordenadas; son como espaguetis que nunca se asientan en una forma. El artículo muestra que, para estos objetivos, los modelos 3D básicamente se rinden, rindiendo un desempeño no mejor que el azar. Ptermigan-1, sin embargo, siguió encontrando coincidencias sólidas. Localizó los fármacos en las partes correctas de estas proteínas desordenadas, sugiriendo que la coincidencia de "vibra" funciona incluso cuando no hay una "cerradura" que ver.

Una prueba del mundo real: El misterio de STAT6

Para demostrar que esto no era solo un truco de computadora, el equipo probó a Ptarmigan-1 en un misterio del mundo real: un conjunto de nuevos fármacos para una proteína llamada STAT6, que está implicada en las respuestas inmunitarias. Estos fármacos fueron divulgados recientemente en patentes, pero no estaban en los datos de entrenamiento del modelo. Los fármacos fueron diseñados para encajar en un bolsillo poco profundo y complicado en la proteína STAT6.

Cuando los investigadores realizaron la prueba, Ptarmigan-1 identificó correctamente estos fármacos como las mejores coincidencias y, lo que es crucial, señaló exactamente el lugar correcto en la proteína (el dominio SH2) donde se unen. En contraste, los modelos 3D (Boltz-2) no lograron encontrar el lugar correcto, adivinando una ubicación completamente diferente e incorrecta en la proteína. Esto sugiere que Ptarmigan-1 puede encontrar la "llave" adecuada para una "cerradura" que nunca ha visto, incluso cuando la cerradura es superficial y extraña.

El futuro: Un nuevo tipo de búsqueda

Los autores sugieren que esto cambia nuestra forma de pensar sobre el descubrimiento de fármacos. En lugar de construir un nuevo modelo 3D para cada nueva proteína y cada nuevo fármaco (lo que toma una eternidad), simplemente podemos buscar la "distancia" entre ellos en este espacio invisible compartido. Una vez construido el espacio, encontrar una coincidencia es tan fácil como una búsqueda en Google.

El artículo concluye que, si bien los modelos 3D siguen siendo útiles para comprender los detalles finos de cómo encaja un fármaco, no son necesarios para la búsqueda inicial. Al desacoplar la búsqueda de la estructura 3D, Ptarmigan-1 abre la puerta para encontrar fármacos para el 87% de las proteínas humanas que han sido consideradas "no tratables" debido a que carecen de una forma clara. Sugiere que el futuro del descubrimiento de fármacos no consiste en construir mejores modelos 3D, sino en aprender un mejor lenguaje para describir cómo las proteínas y los fármacos se comunican entre sí.

En resumen, Ptarmigan-1 demuestra que no necesitas ver la cerradura para encontrar la llave; solo necesitas conocer el ritmo adecuado para hacer que bailen juntos.