Dos grupos de investigación de la URV han creado un modelo de aprendizaje automático que reduciría el período de desarrollo de fármacos contra nuevos virus

Un equipo investigador de integrantes de los grupos de investigación Asclepius: Smart Technology for Smart Healthcare y Quimioinformática y Nutrición de la URV ha desarrollado un modelo matemático de aprendizaje automático que permite determinar la potencia de fármacos antivíricos. Este sistema innovador estima el grado de eficacia de compuestos químicos que bloquean la capacidad reproductora del virus interpretando modelos tridimensionales de su estructura. Si se desarrollaran, esto permitiría agilizar notablemente los procesos de diseño y elaboración de fármacos contra virus y reducir el tiempo de reacción a futuras epidemias.

Los virus son incapaces de reproducirse por sí solos. Utilizan las células sanas del huésped para hacerlo, forzándolas a reproducir la secuencia genética del virus en vez de la suya propia. Las proteasas de los virus llevan a cabo un trabajo clave en este proceso: rompen las secuencias polipeptídicas para formar las proteínas que el virus necesita para generar nuevos individuos. Podemos imaginarlas como tijeras que cortan las largas cadenas de poliproteínas para formar proteínas específicas, en función de la información genética de cada célula o virus, en este caso. “Es como un párrafo sin espacios: la proteasa sería una palabra que tiene capacidad para separar otras para que el texto tenga sentido”, ejemplifica Gerard Pujadas, del grupo de investigación Quimioinformática y Nutrición.

El modelo matemático que han creado ha determinado con éxito qué fármacos son efectivos para frenar la reproducción del SARS-CoV-2 y en qué grado. Este sistema de aprendizaje automático funciona codificando la estructura tridimensional de las proteasas y procesando los datos para determinar qué medicamento encaja mejor, a fin de inhibirlas. Sin proteasas, el virus no puede reproducirse. Esto ha sido posible gracias a la gran cantidad de información disponible sobre este virus, sus proteasas y como los fármacos las afectan, puesto que estos modelos necesitan ser “entrenados” para hacerlos funcionales y mejorar su rendimiento, valora Carme Julià, investigadora del grupo de investigación Asclepius.

“El objetivo no es solo predecir si un fármaco es activo contra una determinada patología sino estimar también el grado de eficacia”, explica Francesc Serratosa, investigador del grupo de investigación Asclepius. Este modelo, que ha demostrado ser funcional, puede tener un papel clave en un futuro en que, tal y como apuntan varios expertos —entre los cuales los investigadores del grupo de investigación URV-IISPV Autoinmunidad, Inflamación e infección—, la proliferación de enfermedades infecciosas será más frecuente a causa del modo de vida del mundo globalizado. El sistema de aprendizaje automático desarrollado por los investigadores de la URV reduciría notablemente el periodo de desarrollo y búsqueda de fármacos contra nuevos virus, siempre que se dispusiera de información previa que permitiera entrenar el modelo. “Hemos diseñado un procedimiento; una herramienta que, con la información adecuada, permitiría hacer una predicción rápida de la viabilidad de medicamentos contra nuevos virus”, concluyen los investigadores.

Referencia:

Fadlallah, S., Julià, C., García-Vallvé, S., Pujadas, G., & Serratosa, F. (2023). Drug Potency Prediction of SARS-CoV-2 Main Protease Inhibitors Based on a Graph Generative Model. International Journal of Molecular Sciences, 24(10), 8779. MDPI AG. Retrieved from http://dx.doi.org/10.3390/ijms24108779