Esto no es solo en la computadora, el Internet de las cosas o las redes sociales. El alcance del aprendizaje automático también está avanzando en los campos científicos. Tal es el caso del desarrollo de la droga .

Hoy en día, el desarrollo de nuevas moléculas para crear drogas se realiza de forma manual. El proceso se realiza tanto para crear un nuevo medicamento como para mejorar un existente. Los químicos eligen una molécula "líder" cuyo potencial ellos conocen para combatir una enfermedad específica, y hacer ajustes manuales a para mejorar sus efectos . A menudo, toma mucho tiempo y no siempre logra los resultados esperados.

Para optimizar este proceso, los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial ( CSAIL ) y el Departamento de Ingeniería Eléctrica e Informática ( EECS ] ), ambos del Instituto de Tecnología de Massachusetts ( MIT ), tuvieron éxito en la automatización del proceso de diseño de medicamentos por aprendizaje automático que condujo a mejores resultados en el diseño de drogas

El modelo que desarrollaron selecciona los mejores "candidatos" para las moléculas sobre la base de las propiedades deseadas para el fármaco y modifica la estructura molecular para lograr el mayor poder posible al mismo tiempo que todavía son químicamente válidos . Como explica Rob Matheson en un artículo publicado este 6 de julio en el sitio web de MIT:

El modelo toma esencialmente como entrada la estructura molecular de la entrada y crea directamente gráficos moleculares : representaciones detalladas de una estructura molecular, con los nodos que representan los átomos y los bordes que representan los enlaces. Divida estos gráficos en grupos más pequeños de grupos funcionales válidos que use como "bloques de construcción" que lo ayuden a reconstruir con mayor precisión y modificar mejor las moléculas.

El modelo

Los investigadores formaron su modelo aprendizaje automático basado en 250,000 gráficos moleculares, que son imágenes detalladas de la estructura de una molécula . Luego, generaron moléculas, encontraron las mejores moléculas básicas y diseñaron otras nuevas con propiedades mejoradas.

Estas tareas son incluso más efectivas que otros sistemas diseñados para automatizar el proceso de diseño de fármacos. El equipo afirma que todas las moléculas nuevas que ella creó eran válidas . En comparación, señalan, los otros modelos solo tienen una validez de 43.5%.

Por otro lado, también fue capaz de encontrar la mejor molécula base o líder que otros sistemas similares . Según los investigadores del MIT, la mejor molécula "candidata" que generó su modelo obtuvo 30% más de las propiedades deseadas que es altamente soluble y fácilmente sintetizable, como la mejor opción encontrada por D & # 39; Otros Finalmente, señalan que al preguntarle al modelo que modificó 800 moléculas para mejorarlas pero que mantuvo una estructura similar a la de la molécula principal, alrededor de 80% ] del tiempo creó nuevas moléculas estructuradas de una manera similar que obtuvo más puntajes para estas dos propiedades que las moléculas originales.

El futuro

Esta encuesta se realizó como parte del Consorcio para el aprendizaje automático para el descubrimiento y la síntesis de fármacos, realizado por el MIT con otras compañías farmacéuticas. El modelo se presentará la próxima semana en la Conferencia Internacional sobre Aprendizaje Automático de 2018 que tendrá lugar en julio en Estocolmo, Suecia.

Wengong Jin, estudiante de doctorado en CSAIL y autor principal del estudio sobre este modelo, señala:

La motivación detrás de esto era reemplazar el proceso ineficiente de la modificación humana del diseño de moléculas por iteración automática y d & # 39; # 39; garantizar la validez de las moléculas que generamos

A partir de ahora, el equipo de investigación se dedicará a probar el modelo en otras propiedades farmacéuticas para poder trabajar con cantidades limitadas de datos de entrenamiento