La inteligencia artificial está revolucionando el mundo en muchos ámbitos, y la medicina y los avances en la investigación científica es uno de los que se pueden ver más beneficiados por esta tecnología. La resistencia a los antibióticos se ha convertido en una de las mayores amenazas para la salud pública en el ámbito mundial, ya que compromete la efectividad de tratamientos esenciales y aumenta la mortalidad asociada a infecciones comunes y procedimientos médicos. Gracias a la IA, los científicos están descubriendo los primeros antibióticos nuevos en 60 años y, según ha publicado la revista Nature, un grupo de científicos del Instituto Tecnológico de Massachusetts (MIT), ha descubierto un nuevo compuesto que es capaz de eliminar una bacteria resistente a los fármacos que causa la muerte de miles de personas cada año en todo el mundo, lo que consideran que supone un punto de inflexión en la lucha contra la resistencia en los antibióticos.
Estudio centrado en las infecciones por SARM
Según la Organización Mundial de la Salud (OMS), en el 2050 este fenómeno podría ocasionar hasta 10 millones de muertes y generar pérdidas económicas que superarían los 100 billones de dólares. El aumento de esta problemática es debido a factores que incluyen prácticas inadecuadas en el uso de antimicróbicos, tanto en humanos como en animales. El equipo de 21 investigadores del MIT ha publicado un estudio centrado en el Staphylococcus aureus resistente a la meticilina (SARM). Las infecciones por SARM pueden causar desde infecciones cutáneas leves a afecciones más graves y potencialmente mortales, como la neumonía y las infecciones del torrente sanguíneo. Según el Centro Europeo para la Prevención y el Control de las Enfermedades (ECDC), cada año se producen en la Unión Europea casi 150.000 infecciones por SARM y cerca de 35.000 personas mueren por infecciones resistentes a los antimicróbicos.
"La idea era que podíamos ver qué aprendían los modelos para predecir que ciertas moléculas serían buenos antibióticos", afirma en un comunicado James Collins, profesor de Ingeniería y Ciencias Médicas del Instituto Tecnológico de Massachusetts (MIT) y uno de los autores del estudio. "Nuestro trabajo proporciona un marco que, desde el punto de vista de la estructura química, ahorra tiempo, recursos y conocimientos mecánicos que no teníamos hasta ahora".
Modelo de aprendizaje profundo
El equipo responsable del proyecto utilizó un modelo de aprendizaje profundo para predecir la actividad y la toxicidad del nuevo compuesto. El aprendizaje profundo consiste en utilizar redes neuronales artificiales para aprender y representar automáticamente características a partir de datos sin programación explícita. Se aplica cada vez más al descubrimiento de fármacos para acelerar la identificación de posibles candidatos, predecir las propiedades y optimizar el proceso de desarrollo de fármacos.
Para crear datos de entrenamiento, se evaluaron aproximadamente 39.000 compuestos por su actividad antibiótica contra el SARM. Utilizando algoritmos de gráficos explicables, se identificaron los fundamentos basados en la subestructura para compuestos con alta actividad antibiótica prevista y baja citotoxicidad prevista. Posteriormente, tanto los datos resultantes como los detalles relativos a las estructuras químicas de los compuestos se introdujeron en el modelo. Para optimizar la selección de posibles fármacos, los investigadores utilizaron tres modelos más de aprendizaje profundo. Estos modelos fueron entrenados para evaluar la toxicidad de los compuestos en tres tipos diferentes de células humanas. Al integrar estas predicciones de toxicidad con la actividad antimicrobios determinada previamente, los investigadores identificaron compuestos capaces de combatir eficazmente los microbios con un daño mínimo para el cuerpo humano.
Utilizando este conjunto de modelos, se analizaron aproximadamente 12 millones de compuestos disponibles en el mercado. Los modelos identificaron compuestos de cinco clases diferentes, clasificados en función de las sub estructuras químicas específicas de las moléculas, que presentaban una actividad prevista contra el SARM. Posteriormente, los investigadores adquirieron unos 280 de estos compuestos y les probaron contra el SARM en el laboratorio. Este método les llevó a identificar a dos prometedores antibióticos candidatos de la misma clase. En experimentos con dos modelos de ratón -uno de infección cutánea por SARM y otro de infección sistémica por SARM-, cada uno de estos compuestos redujo la población de SARM en un factor de 10.