Inteligencia artificial para descubrir nuevos fármacos

El algoritmo de aprendizaje automático identificó un compuesto que mata a Acinetobacter baumannii, una bacteria que acecha en muchos entornos hospitalarios.

Usando un algoritmo de inteligencia artificial, investigadores del MIT y la Universidad McMaster han identificado un nuevo antibiótico que puede matar un tipo de bacteria que es responsable de muchas infecciones resistentes a los medicamentos.

Si se desarrolla para su uso en pacientes, el fármaco podría ayudar a combatir la Acinetobacter baumannii , una especie de bacteria que a menudo se encuentra en los hospitales y puede provocar neumonía, meningitis y otras infecciones graves. El microbio también es una de las principales causas de infecciones en soldados heridos en Irak y Afganistán.

"Acinetobacter puede sobrevivir en los pomos de las puertas y el equipo de los hospitales durante largos períodos de tiempo, y puede adquirir genes de resistencia a los antibióticos de su entorno. Ahora es muy común encontrar aislados de A. baumannii que son resistentes a casi todos los antibióticos", dice Jonathan Stokes, un ex postdoctorado del MIT que ahora es profesor asistente de bioquímica y ciencias biomédicas en la Universidad McMaster.

Los investigadores identificaron el nuevo fármaco de una biblioteca de casi 7000 posibles compuestos farmacológicos utilizando un modelo de aprendizaje automático que entrenaron para evaluar si un compuesto químico inhibirá el crecimiento de A. baumannii.

"Este hallazgo respalda aún más la premisa de que la IA puede acelerar y expandir significativamente nuestra búsqueda de nuevos antibióticos", dice James Collins, profesor de Ingeniería y Ciencias Médicas de Termeer en el Instituto de Ingeniería y Ciencias Médicas (IMES) y el Departamento de Ingeniería Biológica del MIT. "Estoy emocionado de que este trabajo muestre que podemos usar la IA para ayudar a combatir patógenos problemáticos como A. baumannii".

Collins y Stokes son los autores principales del nuevo estudio, que aparece hoy en Nature Chemical Biology . Los autores principales del artículo son los estudiantes graduados de la Universidad McMaster, Gary Liu y Denise Catacutan, y el recién graduado de McMaster, Khushi Rathod.

Descubrimiento de medicamento

Durante las últimas décadas, muchas bacterias patógenas se han vuelto cada vez más resistentes a los antibióticos existentes, mientras que se han desarrollado muy pocos antibióticos nuevos.

Hace varios años, Collins, Stokes y la profesora del MIT Regina Barzilay (quien también es autora del nuevo estudio), se propusieron combatir este creciente problema mediante el uso del aprendizaje automático, un tipo de inteligencia artificial que puede aprender a reconocer patrones en una gran cantidad de cantidades de datos. Collins y Barzilay, que codirigen la Clínica Abdul Latif Jameel de Aprendizaje Automático en Salud del MIT, esperaban que este enfoque pudiera usarse para identificar nuevos antibióticos cuyas estructuras químicas son diferentes de cualquier medicamento existente.

En su demostración inicial, los investigadores entrenaron un algoritmo de aprendizaje automático para identificar estructuras químicas que podrían inhibir el crecimiento de E. coli. En una pantalla de más de 100 millones de compuestos, ese algoritmo produjo una molécula que los investigadores llamaron halicin, en honor al sistema ficticio de inteligencia artificial de "2001: A Space Odyssey". Esta molécula, demostraron, podría matar no solo a E. coli , sino a varias otras especies bacterianas que son resistentes al tratamiento.

"Después de ese artículo, cuando demostramos que estos enfoques de aprendizaje automático pueden funcionar bien para tareas complejas de descubrimiento de antibióticos, dirigimos nuestra atención a lo que percibo como el enemigo público número 1 para las infecciones bacterianas multirresistentes, que es Acinetobacter".

Para obtener datos de entrenamiento para su modelo computacional, los investigadores primero expusieron A. baumannii cultivada en una placa de laboratorio a unos 7500 compuestos químicos diferentes para ver cuáles podían inhibir el crecimiento del microbio. Luego introdujeron la estructura de cada molécula en el modelo. También le dijeron al modelo si cada estructura podía inhibir el crecimiento bacteriano o no. Esto permitió que el algoritmo aprendiera características químicas asociadas con la inhibición del crecimiento.