Revolucionando el descubrimiento de medicamentos modelo de aprendizaje automático identifica compuestos potenciales antienvejecimiento y allana el camino para futuros tratamientos de enfermedades complejas.

Aprendizaje automático identifica compuestos potenciales antienvejecimiento y allana el camino para tratamientos futuros.

El envejecimiento y otras enfermedades, como el cáncer, la diabetes tipo 2, la osteoartritis y la infección viral, implican la senescencia celular como respuesta al estrés. La eliminación dirigida de las células senescentes está ganando popularidad, aunque se conocen pocos senolíticos ya que sus objetivos moleculares deben entenderse mejor. Aquí, los científicos describen la búsqueda de tres senolíticos con algoritmos de aprendizaje automático relativamente económicos que se educaron completamente en datos publicados previamente. En líneas celulares humanas que experimentan diferentes tipos de senescencia, confirmaron la acción senolítica de la ginkgetina, la periplocina y la oleandrina mediante la selección computacional de múltiples bibliotecas químicas. Los productos químicos son tan efectivos como los análisis bien establecidos, lo que demuestra que la oleandrina es más efectiva que los estándares actuales contra su objetivo. El método redujo los gastos de selección de medicamentos en varios cientos de veces, y demuestra que la inteligencia artificial puede aprovechar al máximo los datos de selección de medicamentos limitados y variados. Esto abre la puerta a nuevos métodos basados en datos para las primeras etapas del descubrimiento de medicamentos.

Aunque los senolíticos han mostrado una considerable promesa en el alivio de los síntomas de numerosas enfermedades en ratones, su eliminación también se ha relacionado con varios resultados negativos, incluyendo el deterioro de procesos como la curación de heridas y la función hepática. A pesar de los hallazgos prometedores, solo dos medicamentos han demostrado eficacia en estudios clínicos por su acción senolítica.

Se han desarrollado algunos buenos análisis en el pasado. Sin embargo, generalmente son dañinos para las células saludables. Ahora, investigadores de la Universidad de Edimburgo en Escocia han desarrollado un enfoque novedoso para identificar compuestos químicos que puedan eliminar estas células defectuosas sin dañar las células sanas.

• De Sonido a Vista Conoce AudioToken para la Síntesis de Audio a Imagen.
• Red Cat y Athena AI crean drones militares inteligentes con visión nocturna.
• Todo lo que necesitas saber para construir tu primera aplicación de LLM

Construyeron un modelo de aprendizaje automático para identificar compuestos con cualidades senolíticas y lo enseñaron a hacerlo. Se fusionaron productos químicos de dos bibliotecas químicas existentes, que incluyen una amplia gama de productos químicos aprobados por la FDA o en etapa clínica, con datos utilizados para entrenar el modelo de varias fuentes, como artículos académicos y patentes comerciales. Para evitar sesgar el sistema de aprendizaje automático, el conjunto de datos incluye 2.523 sustancias con características senolíticas y no senolíticas. Después de aplicar el algoritmo a una base de datos de más de 4.000 compuestos, se encontraron 21 candidatos prometedores.

Tres compuestos, la ginkgetina, la periplocina y la oleandrina, demostraron durante las pruebas que eliminan las células senescentes sin afectar a las células sanas, convirtiéndolas en buenos candidatos. Los resultados mostraron que la oleandrina fue la más efectiva de las tres. Los tres son componentes comunes de los remedios herbales.

La planta de adelfa (Nerium oleander) es la fuente de la oleandrina, una sustancia con efectos comparables al medicamento cardíaco digoxina, que se utiliza para tratar la insuficiencia cardíaca y ciertos ritmos cardíacos irregulares (arritmias). Se han observado efectos anticancerígenos, antiinflamatorios, antivirales, antibacterianos y antioxidantes en la oleandrina. La ventana terapéutica para la oleandrina en humanos es pequeña, ya que es altamente tóxica por encima de los niveles terapéuticos. Por lo tanto, venderla o usarla como aditivo alimentario o farmacéutico es ilegal.

Al igual que la oleandrina, la periplocina ha demostrado tener efectos beneficiosos contra el cáncer, la inflamación, los microbios y el sistema nervioso en forma de características antioxidantes y neuroprotectoras. El árbol de Ginkgo (Ginkgo biloba) es la especie de árbol más antigua, y sus hojas y semillas se han utilizado en la medicina herbal de China durante miles de años. Este árbol es la fuente de la periplocina. Las hojas secas del árbol se utilizan para crear un extracto de Ginkgo biloba que se vende sin receta médica. Es un suplemento herbal de mayor venta en los Estados Unidos y Europa.

Según los autores del estudio, sus resultados muestran que los productos químicos son tan efectivos como, o incluso más que, los senolíticos identificados en estudios anteriores. Afirmaron que su enfoque basado en el aprendizaje automático fue tan efectivo que redujo el número de compuestos que se requerían para ser evaluados por un factor de más de 200.

El equipo cree que su estrategia basada en la inteligencia artificial es un gran avance en el descubrimiento de tratamientos efectivos para enfermedades graves. Varias características novedosas en esta técnica la diferencian del uso estándar de la inteligencia artificial en la industria farmacéutica.

• En primer lugar, no requiere fondos adicionales para ser gastados en la caracterización experimental interna de los compuestos de entrenamiento porque utiliza solo datos publicados para el entrenamiento del modelo.
• En segundo lugar, la senólisis es una propiedad molecular rara, y hay pocos senolíticos reportados en la literatura, por lo que los modelos de aprendizaje automático se entrenaron en un conjunto de datos mucho más pequeño de lo que se considera típicamente en el campo. La efectividad del método indica que el aprendizaje automático puede aprovechar al máximo los datos de la literatura, aunque dicho material a menudo es más diverso y limitado en alcance de lo que se podría anticipar.
• En tercer lugar, se utilizaron indicadores fenotípicos de actividad farmacológica en el entrenamiento del modelo sin objetivo. Muchas condiciones imponen una carga económica y social significativa, pero para las cuales se conocen pocos o ningún objetivo; para estas condiciones, el descubrimiento de fármacos fenotípicos presenta una oportunidad para ampliar el número de puntos de partida químicos que se pueden avanzar a través del proceso de descubrimiento.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!