El equipo crea una poderosa útil de computación para ayudar a los investigadores a detectar rápidamente las moléculas en búsqueda de propiedades anti-COVID: ScienceDaily
Un año después de la pandemia de COVID-19, las vacunaciones masivas han comenzado a plantear la tentadora perspectiva de que la inmunidad colectiva finalmente limite o detenga la propagación del SARS-CoV-2. Pero, ¿qué pasa si la inmunidad colectiva nunca se logra por completo o si el virus mutante da lugar a variantes hipervirulentas que disminuyen los beneficios de la vacunación?
Estas preguntas subrayan la necesidad de tratamientos efectivos para las personas que continúan contrayendo coronavirus. Si bien algunos medicamentos existentes muestran algún beneficio, existe una necesidad urgente de encontrar nuevas terapias.
Liderados por Tudor Oprea, MD, PhD de la Universidad de Nuevo México, los científicos han creado una herramienta única para ayudar a los investigadores de drogas a identificar rápidamente moléculas que pueden desarmar el virus antes de que invada las células humanas o lo deshabilite en las primeras etapas de la infección.
En un artículo publicado esta semana en Inteligencia de la máquina de la naturaleza, los investigadores presentaron REDIAL-2020, un conjunto de modelos computacionales en línea de código abierto que ayudará a los científicos a seleccionar rápidamente moléculas pequeñas para detectar sus posibles propiedades anti-COVID.
«Hasta cierto punto, esto reemplaza los experimentos (de laboratorio), dice Oprea, jefe de la División de Computación Traslacional de la Facultad de Medicina de la UNM». Reduce lo que las personas necesitan enfocarse. Por eso lo ponemos en línea para que todos lo usen. «
El equipo de Oprea en UNM y otro grupo en la Universidad de Texas en El Paso dirigido por Suman Sirimulla, PhD, comenzaron a trabajar en la herramienta REDIAL-2020 la primavera pasada después de que científicos del Centro Nacional para el Avance de las Ciencias Traslacionales (NCATS) publicaron sus datos. Estudios de reutilización de fármacos COVID.
«Al darme cuenta de esto, pensé: ‘Espera un minuto, aquí hay suficientes datos para que podamos construir modelos sólidos de aprendizaje automático'», dice Oprea. Los resultados de las pruebas de laboratorio NCATS midieron la capacidad de cada molécula para inhibir la entrada viral, la infectividad y la reproducción, así como el efecto citopático, la capacidad de proteger una célula de la muerte por el virus.
Los investigadores de biomedicina a menudo tienden a centrarse en los resultados positivos de sus estudios, pero en este caso, los científicos de NCATS también informaron qué moléculas no tenían efectos de lucha contra los virus. La inclusión de datos negativos en realidad mejora la precisión del aprendizaje automático, dice Oprea.
«La idea era identificar las moléculas que encajaban en el perfil perfecto», dice. «Quieres encontrar moléculas que hagan todas estas cosas y no hagan las cosas que no queremos que hagan».
El coronavirus es un adversario astuto, dice Oprea. «No creo que haya una droga que sirva para todo para una T.» En cambio, es probable que los investigadores diseñen un cóctel de múltiples fármacos que ataque al virus en múltiples frentes. «Se remonta a uno-dos», dice.
REDIAL-2020 se basa en algoritmos de aprendizaje automático que pueden procesar rápidamente grandes cantidades de datos y detectar patrones ocultos que pueden no ser perceptibles para un investigador humano. El equipo de Oprea validó las predicciones de aprendizaje automático basadas en datos de NCATS comparándolas con los efectos conocidos de los medicamentos aprobados en la base de datos DrugCentral de la UNM.
En principio, este flujo de trabajo computacional es flexible y podría entrenarse para evaluar compuestos contra otros patógenos, así como para evaluar productos químicos que aún no han sido aprobados para uso humano, dice Oprea.
«Nuestro enfoque principal sigue siendo la reutilización de fármacos, pero en realidad nos estamos centrando en cualquier molécula pequeña», dice. «No tiene que ser un fármaco aprobado. Cualquiera que pruebe su propia molécula podría encontrar algo importante».
Fuente de la historia:
Materiales proporcionados por Centro de Ciencias de la Salud de la Universidad de Nuevo México. Original escrito por Michael Haederle. Nota: El contenido se puede cambiar según el estilo y la longitud.