A Proteome-Wide, Accelerated Deep Learning Framework for Structural Interactome Docking, Polygenic Disease Network Translation and Automated Druggability Assessment

Dentro de cada célula viva, miles de diminutas máquinas llamadas proteínas trabajan juntas para mantener el cuerpo en funcionamiento. Estas máquinas no operan de forma aislada; chocan constantemente entre sí, se acoplan y forman equipos para llevar a cabo tareas esenciales como la construcción de músculo, la lucha contra las infecciones o el bombeo de sangre. Los científicos llaman a estas conexiones interacciones proteína-proteína. Durante décadas, los investigadores han intentado mapear cada una de estas conexiones en el cuerpo humano, creando lo que se conoce como interactoma. Este mapa es crucial porque cuando las conexiones fallan, la enfermedad suele aparecer. Sin embargo, encontrar estas conexiones ha sido increíblemente difícil. Los métodos tradicionales requieren que los científicos mezclen proteínas en un laboratorio y observen si se adhieren, un proceso que es lento, costoso y que a menudo produce resultados engañosos. Además, el número de pares posibles es tan vasto que probarlos todos a mano es imposible.

Un nuevo estudio realizado por un equipo de Partex.AI Technology ofrece un camino diferente. En lugar de esperar a que el laboratorio les diga qué se adhiere, los investigadores utilizaron un poderoso sistema de inteligencia artificial para predecir cómo encajan las proteínas, esencialmente simulando la red de interacción de todo el cuerpo humano en una computadora. Se centraron específicamente en las enfermedades cardíacas, una de las principales causas de muerte en todo el mundo, para ver si podían encontrar nuevas formas de tratarla. Al combinar modelos computacionales avanzados de las formas de las proteínas con una potencia de cálculo masiva, pudieron escanear millones de pares potenciales en cuestión de días. El resultado es una lista masiva de nuevas conexiones altamente probables entre proteínas que antes eran desconocidas, muchas de las cuales parecen estar involucradas en la enfermedad cardiovascular. Este trabajo no solo completa un mapa; proporciona una nueva forma de encontrar objetivos ocultos para medicamentos, convirtiendo una posibilidad teórica en una guía práctica para el futuro descubrimiento de fármacos.

El desafío que enfrentó el equipo fue uno de escala. El cuerpo humano contiene aproximadamente 20,000 tipos diferentes de proteínas. Si intentas emparejar cada una de ellas con todas las demás para ver si podrían interactuar, terminas con más de 115 millones de combinaciones posibles. En el pasado, comprobar incluso una pequeña fracción de estas habría tomado años de tiempo de supercomputación utilizando métodos físicos tradicionales. Los investigadores sabían que muchos de estos pares nunca se encontrarían en una célula real porque viven en diferentes partes del cuerpo, como el aceite y el agua que nunca se mezclan. Para resolver esto, construyeron un flujo de trabajo digital que primero predijo las formas 3D de todas las proteínas humanas mediante IA, y luego utilizó una herramienta especializada de aprendizaje profundo llamada EquiDock para simular cómo podrían encajar. Esta herramienta, ejecutándose en 460 de los procesadores gráficos más potentes del mundo, podía evaluar un par de proteínas en segundos en lugar de horas.

El equipo no se detuvo simplemente en la simulación de las formas. Aplicaron un conjunto estricto de reglas biológicas para filtrar lo imposible. Eliminaron cualquier par donde las proteínas vivieran en vecindarios celulares diferentes, asegurando que solo se mantuvieran las proteínas que realmente podrían encontrarse en una célula viva. También comprobaron la estabilidad de la conexión, descartando los pares que se desmoronarían inmediatamente. Después de ejecutar estos filtros, redujeron la búsqueda de 115 millones de posibilidades a unos 3.3 millones de pares que eran estructuralmente sólidos y biológicamente plausibles. Cuando compararon esta lista con bases de datos existentes de interacciones conocidas, encontraron que su sistema podía recuperar la gran mayoría de las conexiones establecidas, demostrando que el método era preciso. Más importante aún, descubrieron más de 3.2 millones de interacciones que nunca habían sido registradas antes. Estas no eran conjeturas aleatorias; eran conexiones físicamente posibles que simplemente nunca habían sido vistas en un laboratorio.

Para que estos hallazgos fueran útiles para tratar enfermedades, los investigadores centraron su atención en el corazón. Tomaron su masiva lista de nuevas interacciones y buscaron específicamente pares que involucraran proteínas vinculadas a la enfermedad de las arterias coronarias. Al cruzar sus resultados con datos genéticos de cientos de miles de personas, identificaron un grupo central de 962 pares de proteínas de alta confianza que representan hipótesis priorizables para impulsar la enfermedad cardíaca. Estos pares formaron una red que conectaba genes que, por sí solos, parecían demasiado débiles para causar la enfermedad, pero que juntos creaban una poderosa señal biológica. El estudio mostró que estas nuevas conexiones no eran simplemente ruido aleatorio; se agrupaban alrededor de vías biológicas conocidas relacionadas con la producción de energía en las células y el mantenimiento del tejido muscular, que son centrales para el funcionamiento del corazón. Sin embargo, los investigadores enfatizan que estas son predicciones computacionales e hipótesis que requieren validación experimental futura, ya que el estudio actual carece de confirmación directa en laboratorio húmedo.

El paso final fue determinar si estos nuevos objetivos podían tratarse con fármacos. Muchas proteínas se consideran "no tratables" (undruggable) porque carecen de los bolsillos profundos donde las moléculas de medicina suelen engancharse. El equipo utilizó un nuevo método de cribado llamado PocketVec para escanear las superficies de sus nuevos pares de proteínas en busca de cualquier hendidura oculta que pudiera albergar un fármaco. Encontraron que muchas de estas proteínas previamente ignoradas sí tenían bolsillos adecuados. Esto significa que las nuevas interacciones que encontraron no son solo curiosidades biológicas; son puntos de partida potenciales para desarrollar nuevos medicamentos. Los investigadores incluso revisaron sus predicciones meses después y encontraron que varias de las interacciones que habían señalado como nuevas ya habían sido confirmadas por otros científicos en el mundo real, validando la velocidad y precisión de su enfoque.

Este trabajo representa un cambio en la forma en que los científicos abordan las enfermedades complejas. En lugar de buscar una sola pieza rota, ahora son capaces de mapear la red completa de conexiones que falla. Al utilizar la inteligencia artificial para simular el mundo físico de las proteínas, el equipo ha creado un plano para encontrar nuevos tratamientos para la enfermedad cardíaca y potencialmente otras condiciones. Han demostrado que, con la potencia de cálculo adecuada y un filtrado inteligente, es posible explorar todo el interactoma humano en pocos días, convirtiendo una tarea que antes parecía imposible en un motor de descubrimiento rutinario. La lista de nuevas interacciones que generaron está ahora disponible para que otros científicos las prueben en el laboratorio, ofreciendo una ventaja inicial para encontrar la próxima generación de terapias para algunos de los desafíos de salud más persistentes del mundo.