[ad_1]
DeltaWorks/Pixabay
Importante Inteligencia artificial (AI) ha logrado un gran avance que podría marcar el comienzo de una nueva era en el descubrimiento de fármacos que podría revolucionar la biotecnología, los productos farmacéuticos, la atención médica y las ciencias de la vida. Los científicos han dado un nuevo paso utilizando la inteligencia artificial para descubrir un nuevo candidato a fármaco para el tratamiento del cáncer de hígado en tan solo 30 días. El estudio fue publicado este mes en ciencia química.
«Este trabajo es la primera demostración de la aplicación de AlphaFold al proceso de identificación de aciertos en el descubrimiento de fármacos», escribieron los autores principales Alex Zhavoronkov, PhD, fundador y director ejecutivo de Insilico Medicine, Alan Aspuru-Guzik, PhD, profesor de informática y química en la Universidad de Toronto y director del Consorcio de Aceleración de la Universidad de Toronto, así como Michael Levitt, Ph.D., Premio Nobel de Química 2013 y Profesor de Biología Estructural en la Facultad de Medicina de la Universidad de Stanford, junto con sus colegas investigadores.
El tipo más común de cáncer de hígado primario es el carcinoma hepatocelular (HCC). A nivel mundial, el cáncer de hígado fue una de las principales causas de muerte por cáncer (más de 830.000 muertes en 2020), seguido del cáncer de pulmón (1,8 millones de muertes), cáncer de colon y recto (916.000 muertes), estómago (769.000 muertes) y tórax (685.000 muertes). ). Organización Mundial de la Salud (OMS).
En promedio, el proceso de descubrimiento y desarrollo de fármacos lleva más de diez años, y solo una pequeña proporción de los candidatos a fármacos llegan a la fase inicial. Esta innovadora investigación demuestra cómo la inteligencia artificial puede acelerar el descubrimiento de fármacos a días en lugar de años, una mejora potencialmente enorme que podría perturbar la industria farmacéutica.
La investigación y el desarrollo de medicamentos requieren importantes recursos financieros. El costo de descubrir y desarrollar nuevos productos farmacéuticos y biológicos aprobados por la FDA es de aproximadamente $2870 millones. investigar publicado en revista de economia de la atencion de la salud por investigadores afiliados al Centro Tufts para el Estudio del Desarrollo de Medicamentos en la Universidad Tufts, la Universidad Duke y la Escuela de Negocios Simon.
Para traer un medicamento al mercado estadounidense, debe completar con éxito las Fases I, II, III y enviar los documentos a la Administración de Alimentos y Medicamentos (FDA). La Fase I implica el descubrimiento y desarrollo de fármacos. La fase II implica estudios preclínicos para determinar si el fármaco debe probarse en humanos. En la Fase III, los ensayos clínicos se realizan con ensayos clínicos en humanos. Si la Fase III se completa con éxito, el desarrollador del fármaco puede enviarlo para su revisión y aprobación por parte de la FDA. De acuerdo a Tasa de éxito del desarrollo clínico y factores contribuyentes 2011–2020 informe de BIO, Pharma Inteligenciay QLS Advisors LLC. La distribución de la media de 10,5 años por etapas es 2,3 años para la Etapa I, 3,6 años para la Etapa II, 3,3 años para la Etapa III y 1,3 años para las presentaciones reglamentarias.
«Insilico tiene nueve candidatos preclínicos de su cartera de IA en 2022: ocho para desarrollo interno y uno para socios», dijo Alex Zhavoronkov, fundador y director ejecutivo de Insilico Medicine. “Si compara ese total con cualquier gran compañía farmacéutica, es bastante impresionante porque es una cifra comparable que se obtiene a una fracción del costo. Muchos de estos son objetivos nuevos y algunos son objetivos desafiantes, lo que demuestra que la IA generativa ahora puede funcionar bien tanto en biología como en química. También obtuvimos los mejores datos sobre el primer agente antifibrótico descubierto por IA y diseñado por IA”.
Los investigadores utilizaron PandaOmics para identificar los 20 principales objetivos utilizando datos ómicos y de texto de 10 conjuntos de datos de carcinoma hepatocelular. Después de filtrar los objetivos por seguridad, especificidad tisular, disponibilidad de productos biológicos, disponibilidad de moléculas pequeñas y novedad, se seleccionó la quinasa 20 dependiente de ciclina (CDK20) como objetivo inicial.
«La quinasa dependiente de ciclina 20 (CDK20) finalmente fue elegida como nuestro objetivo inicial para trabajar debido a su fuerte asociación con enfermedades, información limitada sobre el marco experimental y falta de medicamentos o compuestos clínicos aprobados en el contexto de cualquier enfermedad durante los últimos tres años», escriben los investigadores.
Para predecir la estructura de la proteína CDK20, los investigadores utilizaron la base de datos de estructuras de proteínas AlphaFold, una base de datos de código abierto que contiene más de 200 millones de predicciones de estructuras de proteínas desarrolladas por DeepMind y el Laboratorio Europeo de Biología Molecular – Instituto Europeo de Bioinformática (EMBL-EBI). La base de datos de estructuras de proteínas AlphaFold contiene los proteomas de 48 organismos, incluidos humanos, ratones, ratas, gusanos, levaduras, peces cebra, maíz, arroz, bacterias y levaduras. La palabra proteoma es una combinación de las palabras proteína y genoma. Un proteoma se refiere al conjunto completo de proteínas que pueden ser expresadas por el material genético de un organismo o en un tipo de célula específico en un momento específico bajo condiciones ambientales específicas.
La secuencia de sus aminoácidos determina la forma tridimensional (3D) y la función de las proteínas. AlphaFold es un software de inteligencia artificial desarrollado por la empresa DeepMind Technologies de Alphabet, con sede en Londres. Esta es una solución de inteligencia artificial que puede predecir la estructura tridimensional de una proteína en función de su secuencia de aminoácidos unidimensional. AlphaFold utiliza datos de secuencias de aminoácidos, plantillas y múltiples alineaciones de secuencias para inferir características con cada residuo confianza puntajes, coordenadas atómicas y un histograma de las distancias entre pares de píxeles en la imagen, llamado distograma. En 2020, AlphaFold hizo historia al resolver un gran problema de biología de 50 años conocido como el problema del plegamiento de proteínas con predicciones de estructura de proteínas de alta precisión.
Los científicos utilizaron la estructura CDK20 predicha de AlphaFold y el aprendizaje automático de IA completamente automatizado de Chemistry42 para generar 8918 moléculas, de las cuales siete fueron seleccionadas para síntesis y pruebas biológicas. De las siete moléculas, el compuesto ISM042-2-001 apareció como el más prometedor en el ensayo de unión a la quinasa CDK20. Se llevó a cabo otra ronda de generación, síntesis y prueba de compuestos, lo que dio como resultado una molécula de impacto nanomolar más potente llamada ISM042-2-048.
«Gracias a las estructuras proteicas predichas por Chemistry42 y AlphaFold, solo nos tomó 30 días descubrir nuestro primer éxito», escriben los investigadores.
«Nunca pensé que llegaríamos tan lejos sin un socio farmacéutico», dijo Zhavoronkov. “Y a diferencia de la mayoría de las otras empresas de la industria, hacemos que nuestra plataforma esté disponible para que otros la otorguen licencias. Puede pensar en ello como vender software de inteligencia artificial. También me complace anunciar que 10 de las 20 principales empresas farmacéuticas ya utilizan nuestra plataforma. Tener su propia plataforma Pharma.AI ahora es un signo de la competencia en IA de una importante compañía farmacéutica. Pero no nos detenemos ahí. Hemos lanzado nuevas iniciativas de investigación en el campo de la computación cuántica y lanzado el primer laboratorio de detección de objetivos de sexta generación completamente robótico”.
Copyright © 2023 Cami Rosso. Todos los derechos reservados.
[ad_2]
Source link
