En un avance significativo para la inteligencia artificial en la biomedicina, investigadores han demostrado cómo construir un sistema autónomo de IA que actúe como co-científico en la descubierta de compuestos antiinhibidores de EGFR. Este enfoque, basado en herramientas como ChEMBL, RDKit, SHAP y BRICS, ofrece una metodología replicable para abordar desafíos complejos en farmacología, especialmente en el tratamiento de mutaciones resistentes como la C797S del receptor de epidermal growth factor (EGFR).
El EGFR es una proteína clave en el desarrollo de cáncer de pulmón no de células escamosas. Sin embargo, mutaciones como la C797S confieren resistencia a inhibidores existentes, lo que plantea un desafío para los investigadores. Para abordar esto, los autores de la publicación obtuvieron datos de ChEMBL, una base de datos bioquímica de la Universidad de Cambridge, y los integraron con información de UniProt para identificar compuestos activos. Luego, limpiaron y estandarizaron registros de IC50, convirtiéndolos en una base de datos de pIC50 para entrenar modelos predictivos.
La estandarización de moléculas mediante RDKit fue un paso crítico. Esta biblioteca de código abierto permite normalizar estructuras químicas, eliminar duplicados y calcular fingerprints de Morgan, una representación vectorial que captura la química orgánica de los compuestos. Estos fingerprints sirvieron como entrada para un modelo de Random Forest entrenado bajo un esquema de scaffold-split, que asegura que las moléculas de entrenamiento y prueba tengan estructuras químicas distintas, mejorando la generalización del modelo.
Una vez entrenado, el modelo QSAR (Quantitative Structure-Activity Relationship) se usó para predecir la potencia de nuevos compuestos. Sin embargo, la interpretación de los resultados fue clave: SHAP (SHapley Additive exPlanations) permitió identificar qué fragmentos químicos y características moleculares impulsaban o inhibían la actividad. Esta transparencia es vital en farmacología, donde la explicabilidad de los modelos puede acelerar la validación científica.
Finalmente, los investigadores usaron BRICS (Breakage of Rings and Chains into Symmetric fragments) para descomponer moléculas exitosas en fragmentos reconstruibles. Al combinar estos fragmentos de manera innovadora, generaron y ordenaron una lista de candidatos prometedores, optimizando para propiedades farmacocinéticas y selectividad. Este enfoque no solo reduce el tiempo de descubrimiento, sino que también minimiza costos al evitar ensayos experimentales innecesarios.
Este trabajo ilustra cómo la convergencia de IA, química computacional y aprendizaje automático está transformando la farmacología. Al automatizar procesos tradicionales de diseño molecular, los sistemas como el descrito ofrecen una hoja de ruta para abordar dudas médicas complejas, desde enfermedades raras hasta resistencias a medicamentos. Mientras que la validación experimental sigue siendo necesaria, esta metodología demuestra que la IA ya no es solo una herramienta de apoyo, sino un co-científico activo en la lucha contra enfermedades.
