Modelo de aprendizaje automático que puede predecir la forma como interactuarán los genes y las medicinas identifica tratamientos prometedores para la COVID-19

Un modelo nuevo de aprendizaje profundo que puede predecir cómo interactuarán los genes humanos y los medicamentos ha identificado al menos 10 compuestos que pueden ser prometedores como tratamientos para la COVID-19.

El modelo informático, que los investigadores denominan “DeepCE”, pronunciado como “Dip Si”, fue creado por científicos informáticos de la Universidad Estatal de Ohio (Columbus, OH, EUA) y ayuda a encontrar fármacos candidatos para nuevas enfermedades. Todos menos dos de los medicamentos identificados como posibles tratamientos para la COVID-19 por el modelo de aprendizaje profundo todavía se consideran en investigación y su efectividad contra la hepatitis C, enfermedades fúngicas, cáncer y enfermedades cardíacas está en ensayo. La lista también incluye los medicamentos aprobados ciclosporina, un inmunosupresor que previene el rechazo de órganos trasplantados y la anidulafungina, un agente antifúngico.

Se necesita hacer mucho más trabajo antes de que se confirme que cualquiera de estos medicamentos es un tratamiento seguro y eficaz para las personas infectadas con el SARS-CoV-2. Pero al usar inteligencia artificial para llegar a estas opciones, los científicos han ahorrado a los investigadores farmacéuticos y clínicos el tiempo y el dinero que se necesitarían para buscar posibles fármacos contra la COVID-19 de forma fragmentada. Los investigadores han notado que algunos de los candidatos de reutilización que generó el modelo ya se han estudiado para su uso potencial en pacientes con COVID-19.

Para hacer predicciones sobre cómo los genes y los medicamentos interactuarán y producirán candidatos para la reutilización de medicamentos, DeepCE se basa en dos fuentes principales de datos disponibles públicamente: L1000, un depósito de datos de líneas celulares humanas financiado por los Institutos Nacionales de Salud que muestra cómo la expresión génica cambia en respuesta a medicamentos, y DrugBank, que contiene información sobre las estructuras químicas y otros detalles de aproximadamente 11.000 medicamentos aprobados y en investigación.

L1000 muestra comparaciones de líneas celulares en paralelo de la actividad de expresión génica estándar con los cambios en la expresión génica producidos por las interacciones con fármacos específicos. Las líneas celulares representan enfermedades, como el melanoma y órganos, como los riñones y los pulmones. Es un proyecto en curso, con datos que se agregan a medida que experimentos en animales o humanos complementan los perfiles de expresión génica producidos en experimentos de líneas celulares.

Los investigadores del estado de Ohio entrenaron el modelo DeepCE al ejecutar todos los datos de L1000 a través de un algoritmo contra compuestos químicos específicos y sus dosis. Para llenar los vacíos de datos, el modelo convierte las descripciones de compuestos químicos en cifras, lo que permite la consideración automática de los efectos de sus componentes separados sobre los genes. Y para los genes no representados en L1000, el equipo utilizó un enfoque de aprendizaje profundo llamado “mecanismo de atención” para aumentar la muestra “aprendida” del modelo de interacciones gen-compuesto químico, lo que mejora el desempeño del marco de trabajo.

El equipo aplicó la matriz de predicción de la expresión génica de DeepCE, centrándose en datos de líneas celulares de pulmón y vías respiratorias y todo el catálogo de compuestos de DrugBank, a la información genética proporcionada por los primeros documentos COVID-19 y datos gubernamentales adicionales. Los datos de COVID-19 demostraron cómo la expresión de genes humanos había respondido a la infección con SARS-CoV-2, creando una “firma de enfermedad”.

“Cuando nadie tiene información sobre una nueva enfermedad, este modelo muestra cómo la inteligencia artificial puede ayudar a resolver el problema de cómo pensar en un tratamiento potencial”, dijo el autor principal, Ping Zhang, profesor asistente de ciencias de la computación e ingeniería e informática biomédica en la Universidad del Estado de Ohio. “Las grandes mentes piensan igual: algunos compuestos principales identificados por la inteligencia artificial coinciden con descubrimientos posteriores de la inteligencia humana”.

Enlace relacionado:
Universidad Estatal de Ohio