An energy-based model empowers ultra-large virtual screening against 100-billion-scale chemical libraries
El artículo presenta DrugJEPA, un modelo basado en energía que permite el cribado virtual ultrarrápido y rentable de bibliotecas químicas de escala de 100 mil millones con una precisión de vanguardia, identificando con éxito compuestos potentes de escala nanomolar a través de diversos objetivos proteicos en la validación en laboratorio húmedo.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
La búsqueda de nuevos medicamentos a menudo comienza con una aguja en un pajar, pero en este caso, el pajar contiene casi cien mil millones de estructuras químicas diferentes. Durante décadas, los científicos han dependido de dos formas principales para encontrar la aguja correcta: probar físicamente millones de compuestos en un laboratorio, o usar computadoras para simular cómo podrían encajar en un objetivo biológico. Las pruebas físicas son lentas y costosas, mientras que las simulaciones computacionales tradicionales, aunque más rápidas, siguen siendo demasiado lentas para manejar bibliotecas de este tamaño inmenso. El desafío ha sido encontrar un método que sea lo suficientemente rápido para escanear cien mil millones de moléculas y lo suficientemente preciso como para detectar las pocas que realmente funcionan, sin requerir una supercomputadora del tamaño de una ciudad.
Un equipo de investigadores de la Universidad de Sichuan ha desarrollado un nuevo enfoque que cierra esta brecha. Crearon un modelo computacional sofisticado llamado DrugJEPA, que actúa como un motor de intuición altamente entrenado para el descubrimiento de fármacos. En lugar de intentar simular cada movimiento atómico individual, lo que toma demasiado tiempo, el modelo aprende a reconocer la "forma" de una buena coincidencia estudiando millones de ejemplos de cómo interactúan las proteínas y las moléculas. Utiliza una técnica que le permite predecir la relación entre el bolsillo de unión de una proteína y una molécula de fármaco, filtrando eficazmente los miles de millones de candidatos inútiles en cuestión de horas. Cuando se probó contra tres tipos muy diferentes de objetivos biológicos, el sistema no solo encontró aciertos; encontró aciertos potentes, incluyendo algunos que funcionan a concentraciones increíblemente bajas.
El núcleo de este logro reside en cómo los investigadores construyeron su biblioteca y su modelo. Comenzaron reuniendo una colección masiva de posibles candidatos a fármacos de bases de datos existentes, convirtiéndolos en formas tridimensionales y almacenándolos en un sistema que llamaron ZEUS-3D. Esta biblioteca contiene aproximadamente noventa y seis mil millones de moléculas únicas, con cientos de miles de millones de variaciones tridimensionales diferentes para contabilizar cómo podrían retorcerse y girar en una solución. Para buscar en este océano de datos, necesitaban una herramienta que pudiera moverse a la velocidad de la luz. Construyeron DrugJEPA, una red neuronal que aprende a comprimir la información compleja de una proteína y una molécula en un código numérico simple, o "embedding". Al comparar estos códigos, la computadora puede decir instantáneamente qué tan bien podría encajar una molécula en una proteína, un proceso que es millones de veces más rápido que los métodos tradicionales.
Para demostrar que su sistema funcionaba, el equipo realizó una campaña de cribado virtual masivo. Pusieron el modelo a trabajar en su biblioteca de cien mil millones de moléculas para buscar fármacos contra tres objetivos biológicos distintos: una quinasa involucrada en la respuesta inmunitaria, un receptor en el cerebro vinculado a la salud mental y una enzima que modifica el ARN, para la cual no existían fármacos de molécula pequeña conocidos. La búsqueda completa, que cubrió un cuatrillón de interacciones potenciales, se completó en solo veintiocho horas utilizando solo cuatro tarjetas gráficas estándar. Esta velocidad representa un salto adelante, haciendo posible que equipos de desarrollo de fármacos ordinarios exploren espacios químicos que antes eran accesibles solo para las corporaciones más grandes con recursos computacionales masivos.
Los resultados de la búsqueda fueron luego puestos a prueba en el mundo real. Los investigadores tomaron los principales candidatos identificados por la computadora y los sintetizaron o compraron para ver si realmente funcionaban en un entorno de laboratorio. Para el objetivo relacionado con la inmunidad, el modelo identificó compuestos activos con una tasa de éxito del cuarenta por ciento, y varias de estas moléculas fueron lo suficientemente potentes como para detener la actividad del objetivo a concentraciones tan bajas como un nanomolar. Para el receptor cerebral, la tasa de acierto fue del veinte por ciento, y el sistema incluso redescubrió un fármaco conocido que había sido pasado por alto para este objetivo específico, confirmando la capacidad del modelo para encontrar tanto soluciones nuevas como existentes. Lo más impresionante fue que, para la enzima que modifica el ARN, que no tenía candidatos a fármacos conocidos, el modelo encontró una tasa de acierto del treinta por ciento e identificó una molécula que se unía fuertemente a la proteína, bloqueando efectivamente su función.
Para asegurar que estos hallazgos no fueran solo golpes de suerte, el equipo profundizó en cómo los mejores candidatos interactuaban con sus objetivos. Para el objetivo inmunológico, determinaron la estructura 3D exacta del fármaco unido a la proteína, confirmando que se asentaba precisamente donde la computadora predijo que lo haría. Para el receptor cerebral y la enzima del ARN, donde crear una estructura de cristal física resultó difícil, utilizaron mutaciones dirigidas para cambiar partes específicas de la proteína. Cuando alteraron las partes que el modelo predijo como importantes para la unión, los fármacos dejaron de funcionar, proporcionando una fuerte evidencia de que el modelo había identificado correctamente el mecanismo de acción. Esta combinación de velocidad, escala y validación experimental sugiere que la barrera para explorar el vasto universo de posibles medicinas se ha reducido significamente, ofreciendo un camino práctico para encontrar nuevos tratamientos para enfermedades que han resistido el descubrimiento durante mucho tiempo.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.