MADRID, 13 (EUROPA PRESS)
Científicos de la Universidad de California en Riverside (Estados Unidos) han utilizado el 'machine learning' para identificar cientos de nuevos medicamentos potenciales que podrían ayudar a tratar el COVID-19.
"Existe una necesidad urgente de identificar fármacos eficaces que traten o prevengan el COVID-19. Hemos desarrollado una línea de descubrimiento de medicamentos que identificó varios candidatos", ha comentado Anandasankar Ray, líder del estudio, que se ha publicado en la revista 'Heliyon'.
Los investigadores utilizaron pequeñas cantidades 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.
Así, pudieron crear una base de datos de químicos cuyas estructuras fueron predichas como interactores de las 65 proteínas objetivo. También evaluaron la seguridad de los productos químicos. "Los 65 objetivos proteínicos son bastante diversos y están implicados en muchas enfermedades adicionales también, incluyendo cánceres. Aparte de los esfuerzos de reordenación de drogas en curso contra estos objetivos, también estábamos interesados en identificar nuevos productos químicos que actualmente no están bien estudiados", señala el autor.
Utilizaron sus modelos de aprendizaje automático para examinar más de 10 millones de moléculas pequeñas disponibles comercialmente de una base de datos compuesta por 200 millones de productos químicos, e identificaron los mejores resultados de las 65 proteínas humanas que interactúan con las proteínas del SARS-CoV-2.
Además, identificaron compuestos entre fármacos que ya están aprobados. 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 preveía que interactuaran con los objetivos del SARS-CoV-2. Su método les permitió no solo identificar los candidatos de mayor puntuación con actividad significativa contra un solo blanco de proteína humana, sino también encontrar algunos productos químicos que se predijo que inhibirían dos o más blancos de proteína humana.