Científicos identifican cientos de fármacos candidatos para tratar el COVID-19

Los científicos de la Universidad de California, Riverside, han utilizado el aprendizaje automático para identificar cientos de nuevos medicamentos potenciales que podrían ayudar a tratar el COVID-19, la enfermedad causada por el nuevo coronavirus, o SARS-CoV-2.

"Existe una necesidad urgente de identificar fármacos eficaces que traten o prevengan el COVID-19", dijo Anandasankar Ray, profesor de biología molecular, celular y de sistemas que dirigió la investigación. "Hemos desarrollado una línea de descubrimiento de fármacos que identificó a varios candidatos".

La tubería de descubrimiento de fármacos es un tipo de estrategia computacional vinculada a la inteligencia artificial, un algoritmo informático que aprende a predecir la actividad mediante prueba y error, mejorando con el tiempo.

Sin un final claro a la vista, la pandemia del COVID-19 ha trastornado vidas, tensado los sistemas de atención médica y debilitado las economías. Los esfuerzos para reutilizar medicamentos, como Remdesivir, han tenido cierto éxito. Una vacuna para el virus SARS-CoV-2 podría tardar meses, aunque no está garantizada.

"Como resultado, los proyectos de fármacos candidatos, como el que desarrollamos, son extremadamente importantes como primer paso hacia el descubrimiento sistemático de nuevos fármacos para el tratamiento del COVID-19", dijo Ray. "Los medicamentos existentes aprobados por la FDA que se dirigen a una o más proteínas humanas importantes para la entrada y la replicación viral son actualmente de alta prioridad para su reutilización como nuevos medicamentos para COVID-19. La demanda es alta de medicamentos adicionales o moléculas pequeñas que pueden interferir tanto con la entrada como con la replicación del SARS-CoV-2 en el cuerpo. Nuestra línea de descubrimiento de fármacos puede ayudar".

Joel Kowalewski, un estudiante de posgrado en el laboratorio de Ray, utilizó una pequeña cantidad de ligandos previamente conocidos para 65 proteínas humanas que se sabe que interactúan con las proteínas del SARS-CoV-2. Generó modelos de aprendizaje automático para cada una de las proteínas humanas.

"Estos modelos están entrenados para identificar nuevos inhibidores y activadores de moléculas pequeñas, los ligandos, simplemente a partir de sus estructuras tridimensionales", dijo Kowalewski.

Lea también: Vapeadores tienen 5 veces más posibilidades de contagiarse de Covid 19

Kowalewski y Ray pudieron así crear una base de datos de sustancias químicas cuyas estructuras se predijeron como interactuantes de las 65 proteínas objetivo. También evaluaron la seguridad de los productos químicos.

"Las 65 proteínas objetivo son bastante diversas y también están implicadas en muchas enfermedades adicionales, incluidos los cánceres", dijo Kowalewski. "Aparte de los esfuerzos de reutilización de fármacos en curso contra estos objetivos, también estábamos interesados en identificar nuevos productos químicos que actualmente no están bien estudiados".

Ray y Kowalewski utilizaron sus modelos de aprendizaje automático para seleccionar más de 10 millones de pequeñas moléculas disponibles comercialmente de una base de datos compuesta por 200 millones de sustancias químicas, e identificaron los mejores resultados de su clase para las 65 proteínas humanas que interactúan con las proteínas del SARS-CoV-2. .

Yendo un paso más allá, identificaron compuestos entre los éxitosos que ya están aprobados por la FDA, como medicamentos y compuestos utilizados en los alimentos. También utilizaron los modelos de aprendizaje automático para calcular la toxicidad, lo que les ayudó a rechazar candidatos potencialmente tóxicos. Esto les ayudó a priorizar los productos químicos que se predijo que interactuarían con los objetivos del SARS-CoV-2. Su método les permitió no solo identificar los candidatos con la puntuación más alta con actividad significativa contra un solo objetivo de proteína humana, sino también encontrar algunos productos químicos que se predijo que inhibirían dos o más objetivos de proteína humana.

"Los compuestos que más me entusiasma buscar son los que se predice que serán volátiles, lo que establece la inusual posibilidad de terapias inhaladas", dijo Ray.

"Históricamente, los tratamientos de enfermedades se vuelven cada vez más complejos a medida que desarrollamos una mejor comprensión de la enfermedad y de cómo la variabilidad genética individual contribuye a la progresión y gravedad de los síntomas", dijo Kowalewski. "Los enfoques de aprendizaje automático como el nuestro pueden desempeñar un papel en la anticipación del panorama de tratamiento en evolución al proporcionar a los investigadores más posibilidades para estudios adicionales. Si bien el enfoque depende de manera crucial de datos experimentales, la detección virtual puede ayudar a los investigadores a hacer nuevas preguntas o encontrar nuevos conocimientos".

Ray y Kowalewski argumentan que su estrategia computacional para el cribado inicial de un gran número de sustancias químicas tiene una ventaja sobre los ensayos tradicionales dependientes del cultivo celular que son costosos y pueden tardar años en probarse.

"Nuestra base de datos puede servir como un recurso para identificar y probar rápidamente estrategias de tratamiento novedosas y seguras para COVID-19 y otras enfermedades en las que las mismas 65 proteínas objetivo son relevantes", dijo. "Si bien la pandemia de COVID-19 fue lo que nos motivó, esperamos que nuestras predicciones de más de 10 millones de sustancias químicas aceleren el descubrimiento de fármacos en la lucha no solo contra el COVID-19, sino también contra otras enfermedades".

Ray está buscando financiación y colaboradores para avanzar hacia la prueba de líneas celulares, modelos animales y, finalmente, ensayos clínicos.