La startup Skoltech supera a la IA ganadora del Nobel en el cribado virtual de fármacos

El algoritmo Matcha se describe en el preprint. Para permitir la verificación independiente de los resultados y la integración de Matcha en los procesos de I+D existentes, los investigadores han puesto a disposición pública el manuscrito, el código y los pesos del modelo.

¿Cómo actúan los fármacos a nivel molecular?

Las enfermedades suelen aparecer cuando una o varias proteínas del organismo dejan de funcionar correctamente. Una proteína "rota" o que funciona mal se denomina diana terapéutica. El fármaco pretende alterar la actividad de su diana interactuando con ella. Debido a sus propiedades, las moléculas de fármaco se unen selectivamente a una cavidad de la proteína denominada bolsillo de unión. El bolsillo de unión es como el ojo de una cerradura. Si la molécula del fármaco tiene la forma y las propiedades químicas adecuadas, se deslizará en el bolsillo como una llave y alterará la actividad de la proteína.

¿Qué es el acoplamiento molecular y cómo se utiliza?

Los investigadores utilizan el acoplamiento molecular, una técnica computacional que empareja moléculas con proteínas sin experimentos de laboratorio, para encontrar o diseñar la "llave". Este método evalúa lo bien que podría encajar una molécula en el bolsillo de una proteína basándose en su forma y propiedades químicas.

El docking se ha convertido en parte integrante del cribado virtual, que es un método rápido y asistido por ordenador de clasificar millones de compuestos para encontrar fármacos candidatos prometedores. Las pruebas virtuales de posibles candidatos antes de llevarlos al laboratorio pueden ahorrar años de trabajo y millones de dólares.

La falta de estructuras precisas de proteínas en 3D es un obstáculo común para el acoplamiento. En 2020, DeepMind presentó AlphaFold, un sistema de IA capaz de predecir estructuras de proteínas en 3D con gran precisión. Este avance les valió a sus desarrolladores el Premio Nobel de Química de 2024, inaugurando una nueva era en la biología computacional.

La velocidad es esencial

Incluso con estructuras de proteínas en 3D fácilmente disponibles, emparejar rápidamente millones de moléculas con proteínas sigue siendo un importante reto computacional. Matcha supera con creces a AlphaFold3: procesa un complejo proteína-ligando en 13 segundos, frente a los 6,5 minutos de AlphaFold3. AlphaFold3 necesita cuatro meses y medio de cálculo continuo para trabajar con una base de datos de millones de compuestos, mientras que Matcha puede completar esta tarea en menos de ocho días. Esto significa que Matcha es 30 veces más rápido y ofrece una precisión comparable; además, Matcha ofrece resultados físicamente más fiables. Esto hace factible el engorroso cribado virtual incluso para centros de investigación de tamaño medio.

Matcha verifica con precisión la ubicación de la molécula dentro de la proteína paso a paso. En primer lugar, determina la posición aproximada de la molécula y, a continuación, ajusta su rotación y torsiones internas. Las configuraciones previstas se minimizan con un método GNINA que tiene en cuenta la física, mientras que la verificación incorporada descarta automáticamente las configuraciones físicamente poco realistas. Las posiciones restantes se ordenan según la afinidad GNINA prevista para seleccionar la óptima. Matcha ha demostrado predicciones muy precisas y físicamente fiables al procesar conjuntos de datos estándar, todo ello a una velocidad récord.

"El desarrollo de fármacos es un proceso largo, costoso y de alto riesgo. Un proyecto puede detenerse en cualquier fase, incluso después de haber invertido mucho tiempo y esfuerzo. Aun así, los métodos computacionales pueden optimizar especialmente bien las primeras etapas. Nuestra misión es crear herramientas eficaces basadas en la IA que establezcan un marco computacional completo en las primeras etapas del desarrollo de fármacos. Mejorar la eficiencia de esta etapa aumenta las probabilidades de éxito y acelera el lanzamiento de nuevos fármacos al mercado", afirma Marina Pak, cofundadora y directora ejecutiva de Ligand Pro y antigua alumna de Skoltech.

"En sólo tres años, hemos pasado de proponer una idea y crear un equipo a lograr resultados que cambian las reglas del juego. Seguimos desarrollando Matcha y abordando tareas relacionadas, como la generación de moléculas, la predicción y la optimización de sus propiedades. Nuestro próximo paso es validar experimentalmente nuestra solución en procesos reales de I+D, para luego proceder a su aplicación industrial", ha declarado Daria Frolova, responsable de aprendizaje automático en Ligand Pro y estudiante de doctorado en Ingeniería y Ciencia Computacional y de Datos en Skoltech.