Dos grups de recerca de la URV han creat un model d’aprenentatge automàtic que reduiria el període de desenvolupament de fàrmacs contra nous virus

Un equip investigador amb membres dels grups de recerca Asclepius: Smart Technology for Smart Healthcare i Quimioinformàtica i Nutrició de la URV ha desenvolupat un model matemàtic d’aprenentatge automàtic que permet determinar la potència de fàrmacs antivírics. Aquest sistema innovador estima el grau d’eficàcia de compostos químics que bloquegen la capacitat reproductora dels virus interpretant models tridimensionals de la seva estructura. Si es desenvolupessin,  això permetria agilitzar notablement els processos de disseny i elaboració de fàrmacs contra els virus i reduir el temps de reacció a futures epidèmies.

Els virus són incapaços de reproduir-se per si sols. Utilitzen les cèl·lules sanes de l’hoste per fer-ho, forçant-les a reproduir la seqüència genètica del virus en comptes de la seva pròpia. Les proteases dels virus duen a terme una feina clau en aquest procés: trenquen les seqüències polipeptídiques per formar les proteïnes que el virus necessita per generar nous individus. Podem imaginar-les com a tisores que tallen les llargues cadenes de poliproteïnes per formar proteïnes específiques, en funció de la informació genètica de cada cèl·lula o virus, en aquest cas. “És com un paràgraf sense espais: la proteasa seria una paraula que té capacitat per separar-ne d’altres perquè el text tingui sentit”, exemplifica Gerard Pujadas, del grup de recerca Quimioinformàtica i Nutrició.

El model matemàtic que han creat ha determinat amb èxit quins fàrmacs són efectius per frenar la reproducció del SARS-CoV-2 i en quin grau. Aquest sistema d’aprenentatge automàtic funciona codificant l’estructura tridimensional de les proteases i processant-ne les dades per determinar quin medicament hi encaixa millor, a fi d’inhibir-les. Sense proteases, el virus no pot reproduir-se. Això ha estat possible gràcies a la gran quantitat d’informació disponible sobre aquest virus, les seves proteases i com els fàrmacs les afecten, ja que aquests models necessiten ser “entrenats” per fer-los funcionals i millorar-ne el rendiment, valora Carme Julià, investigadora del grup de recerca Asclepius.

“L’objectiu no és només predir si un fàrmac és actiu contra una determinada patologia sinó estimar-ne també el grau d’eficàcia”, explica Francesc Serratosa, investigador del grup de recerca Asclepius. Aquest model, que ha demostrat ser funcional, pot tenir un paper clau en el futur en què, tal com apunten diversos experts —entre els quals els investigadors del grup de recerca URV-IISPV Autoimmunitat, Inflamació i Infecció—, la proliferació de malalties infeccioses serà més freqüent de cara al futur, a causa del mode de vida del món globalitzat. El sistema d’aprenentatge automàtic desenvolupat pels investigadors de la URV reduiria notablement el període de desenvolupament i cerca de fàrmacs contra nous virus, sempre que es disposés d’informació prèvia que permetés entrenar el model. “Hem dissenyat un procediment; una eina que, amb la informació adequada, permetria fer una predicció ràpida de la viabilitat de medicaments contra nous virus”, conclouen els investigadors.

Referència:

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