Newsletter DPT Nro. 47
ISSN 2618-236X
Abril / 2020
NOTICIAS DE INVESTIGACION
Descubren un poderoso tipo de antibiótico
Usando un algoritmo pionero de aprendizaje automático
Los antibióticos han sido -desde el descubrimiento de la penicilina- una piedra angular de la medicina moderna. Pero su efectividad disminuyó drásticamente en los últimos años, ya que su uso excesivo provocó una creciente resistencia de las bacterias, las cuales mutan y evolucionan para evadir sus efectos.
El hallazgo de nuevos antibióticos podría contribuir a prevenir y evitar los sombríos escenarios para las próximas décadas, en los que se prevé que las infecciones resistentes podrían provocar la muerte de varios millones de personas por año.
Si bien la bio y quimioinformática vienen desarrollado –desde hace décadas- sucesivos modelos para predecir propiedades moleculares, la oportunidad de influir en el descubrimiento de fármacos emerge con los recientes algoritmos basados en redes neuronales, que permiten aprender automáticamente representaciones moleculares que están en sintonía con las propiedades deseadas, superando nítidamente –en precisión predictiva- a las representaciones creadas con intervención humana.
En el artículo reseñado se describe la experiencia pionera del uso de aprendizaje automático (AA) para identificar –con base en grandes volúmenes de datos- un tipo completamente nuevo de antibiótico “desde cero”, sin aportaciones humanas (de supuestos, reglas y relaciones) previas. El nuevo antibiótico se llamó halicina, nombre derivado de HAL 9000 (la computadora de la película 2001: Odisea del Espacio).
Cuando la halicina se probó en ratones, se descubrió que era altamente eficaz contra una amplia gama de bacterias y cepas consideradas “resistentes”. En experimentos con otros compuestos antibióticos, la resistencia surgió inmediatamente.
El aprendizaje automático (“machine learning”) aplica la inteligencia artificial (IA) para aprender y mejorar el desempeño de sistemas con base en la propia experiencia de éstos. Con ese enfoque “neutral” el sistema puede aprender nuevos patrones desconocidos para los expertos humanos
El equipo de investigadores, del Massachusetts Institute of Technology (MIT) en Cambridge, desarrolló un algoritmo de IA de tipo “red neuronal de aprendizaje profundo”, para aprender las características y cualidades de las moléculas átomo por átomo. El algoritmo fue entrenado para examinar un vasto archivo digital de más de 100 millones de compuestos químicos y detectar aquellos capaces de matar bacterias E.coli empleando distintos mecanismos de los medicamentos existentes (alrededor de 1.700 fármacos aprobados por la FDA y 800 productos naturales). Una vez entrenado, el algoritmo se probó en el Centro de Reutilización de Drogas (Drug Repurposing Hub) del Broad Institute, que contiene unos 6.000 compuestos, .pidiéndole que predijera cuáles serían efectivos contra E. Coli y que mostrara solo los diferentes de los antibióticos convencionales. De los resultados, se seleccionaron alrededor de 100 moléculas candidatas para pruebas físicas, distinguiéndose una molécula (la “halicina”) que exhibía potentes propiedades antibacterianas y una estructura química que difería estructuralmente de los antibióticos existentes. Otro algoritmo independiente indicó que también podría tener baja toxicidad para las células humanas.
En pruebas en laboratorio con bacterias de pacientes, la halicina resultó eficaz contra un amplio espectro filogenético de patógenos resistentes a tratamientos (incluyendo Enterobacteriaceae resistentes a carbapenem, Clostridium difficile, Acinetobacter baumannii y Mycobacterium tuberculosis) y demostró ser efectiva contra E. coli, que no desarrolló resistencia a ella durante un período de tratamiento de 30 días en ratones.
Los investigadores procuran ahora profundizar aún más en la base de datos para encontrar antibióticos que sean más selectivos con las bacterias que matan, de manera que sólo aniquilen a las que causan una infección, y no a las bacterias saludables que viven en el intestino.
Fuente primaria: “A Deep Learning Approach to Antibiotic Discovery” Jonathan M. Stokes, Kevin Yang, Kyle Swanson, Wengong Jin, Andres Cubillos-Ruiz, Nina M. Donghia, Craig R. MacNair, Shawn French, Lindsey A. Carfrae, Zohar Bloom-Ackerman, Victoria M. Tran, Anush Chiappino-Pepe, Ahmed H. Badran, Ian W. Andrews, Emma J. Chory, George M. Church, Eric D. Brown, Tommi S. Jaakkola,. Regina Barzilay, James J. Collins. Cell. Volume 180, Issue 4, pp. 688-702.E13, February 20, 2020. DOI: 10.1016/j.cell.2020.01.021