La IA acelera las simulaciones moleculares 10 000 veces

El desarrollo de un nuevo fármaco suele llevar más de diez años, desde la idea inicial hasta el medicamento terminado, antes de que llegue a los pacientes. Una gran parte tanto del coste como del tiempo que conlleva se concentra en las primeras etapas, ya que es necesario realizar multitud de pruebas para identificar los candidatos más prometedores. A menudo se requieren varios estudios en los que se criban miles de moléculas, pero solo una pequeña parte de ellas pasa a la siguiente fase. 

Tradicionalmente, los movimientos de las moléculas se han simulado utilizando lo que se conoce como dinámica molecular, en la que los investigadores calculan las fuerzas entre todos los átomos paso a paso y los mueven un poco cada vez. Para que los cálculos sean estables, cada paso debe ser extremadamente corto, de aproximadamente un femtosegundo (10⁻¹⁵ segundos). Dado que los procesos de interés para el desarrollo de fármacos tienen lugar en escalas de tiempo mucho más largas, se requieren miles de millones de pasos, lo que hace que las simulaciones sean muy exigentes desde el punto de vista computacional.  

Grandes cambios provocados por la IA 

El uso de la IA permite ahora a los investigadores detectar cambios moleculares sin tener que realizar cálculos numéricos. El aprendizaje automático puede acelerar cada paso del cálculo, y los modelos generativos pueden utilizarse para generar directamente estructuras moleculares plausibles sin simular su movimiento.  

Un grupo de investigadores de la Universidad Tecnológica de Chalmers y de la Universidad de Gotemburgo, en Suecia, ha dado ahora un paso más al desarrollar un nuevo modelo de IA que, a largo plazo, podría hacer que las pruebas de desarrollo de fármacos sean aún más eficientes. El nuevo modelo es más de 10 000 veces más rápido que las simulaciones convencionales.  

«Lo que distingue a nuestro modelo de IA es que aprende la dinámica subyacente a lo largo de escalas de tiempo más largas. No solo proporciona información sobre las formas que adoptan las moléculas, sino también sobre la rapidez con la que se producen estas transiciones moleculares y a través de qué vías. Por lo que sabemos, es la primera vez que esto se ha hecho de una manera que funciona para muchas moléculas diferentes», afirma Simon Olsson, director de investigación y profesor asociado del Departamento de Informática e Ingeniería de la Universidad Tecnológica de Chalmers y la Universidad de Gotemburgo. 

Se han analizado miles de moléculas 

El estudio examinó más de 12 500 moléculas orgánicas, como las que contienen átomos de carbono, nitrógeno, hidrógeno y oxígeno. También se estudiaron más de mil péptidos cortos: moléculas formadas por cadenas cortas de aminoácidos que componen las proteínas. El modelo de IA aprendió cómo se comportan normalmente las moléculas y, por lo tanto, fue capaz de avanzar rápidamente a través de las simulaciones. Los resultados siguen siendo coherentes con las leyes de la física.  

«Entrenamos el modelo utilizando ejemplos simulados de cómo se mueven los átomos de una molécula a lo largo del tiempo. A partir de estas secuencias, el modelo aprende las reglas subyacentes que rigen el movimiento de las moléculas y, a continuación, puede predecir cómo se comportarán las nuevas moléculas», afirma Simon Olsson. 

Los investigadores compararon los resultados y conclusiones del modelo con estudios previos sobre la evolución molecular. 

«Validamos los resultados mediante simulaciones de posprocesamiento exhaustivas para corroborarlos utilizando algoritmos numéricos estándar. Y son coherentes entre sí», afirma Simon Olsson.  

Se pueden predecir los cambios 

Aunque el modelo de IA no se basa en imágenes reales, los investigadores describen los resultados como una forma de saltar entre escenas en «películas moleculares», en lugar de ver cada fotograma en secuencia. 

El modelo de IA constituye la base de las predicciones computacionales que los investigadores realizan posteriormente en el laboratorio.  

«Allí medimos aspectos muy específicos: las propiedades de las moléculas, lo “felices” que están de encontrarse en una solución concreta o si, por ejemplo, quieren atravesar una membrana para entrar en una célula, pero esto aún está por ver», afirma Simon Olsson. 

Una de sus principales ventajas es que el modelo puede aplicarse a moléculas con las que nunca se ha encontrado durante su entrenamiento, ya que ha aprendido reglas generales que rigen el movimiento molecular en lugar de memorizar sistemas individuales.  

«Hay un patrón concreto que el modelo nos ayuda a identificar. El modelo de IA se basa en una serie de ejemplos, en los que solo observa lo que ocurre durante un periodo de decenas de nanosegundos. Sin embargo, puede predecir las propiedades y los cambios en las moléculas que se producen durante un periodo mil veces más largo. Así pues, con la ayuda de la inteligencia artificial, podemos averiguar qué es probable que suceda en el “futuro molecular”. Puede predecir cómo cambian las moléculas aunque nunca haya visto cómo se desarrolla el proceso», afirma Simon Olsson.  

De interés para la industria farmacéutica 

«Para poder predecir los fenómenos físicos que exhiben las moléculas, necesitamos comprender la física subyacente del comportamiento del sistema. Creo que somos de los primeros en demostrarlo en un sentido general y en mostrar que es posible», afirma Juan Viguera Diez, doctorando industrial en AstraZeneca, en el Departamento de Informática e Ingeniería de Chalmers y la Universidad de Gotemburgo, y autor principal del artículo. 

Los investigadores están observando un interés considerable por parte de la industria en simulaciones que reflejen la realidad con mayor precisión y permitan desarrollar nuevos fármacos más rápidamente. Dado que el nuevo modelo de IA puede acelerar las simulaciones moleculares, en las que es necesario probar un gran número de moléculas potenciales, el equipo de investigación espera que suponga un paso importante hacia un desarrollo de fármacos más eficiente.  

«A largo plazo, modelos de IA como el nuestro podrían ayudar a identificar candidatos a fármacos prometedores más rápidamente y mejorar la precisión en las primeras etapas. El estudio de investigación muestra lo que es posible en la actualidad. Esperamos que esto allane el camino para el desarrollo de técnicas más generales, que en última instancia puedan facilitar el desarrollo de nuevos fármacos y nuevos tratamientos y, en un sentido más amplio, también mejoren nuestra comprensión de las enfermedades», afirma Juan Viguera Diez. 

Más información sobre el modelo de IA 

El modelo de IA TITO (Transferable Implicit Transfer Operators) es un marco de modelización generativa profunda que aprende las reglas estadísticas que rigen el movimiento molecular directamente a partir de datos de simulación. Permite predecir cómo evolucionan las configuraciones atómicas (la forma en que los átomos se disponen y se relacionan espacialmente entre sí dentro de una molécula) a lo largo del tiempo mucho más rápidamente que las simulaciones numéricas convencionales. 

El método se ha probado actualmente en sistemas moleculares pequeños en modelos de disolventes simplificados y a una temperatura específica. Ahora se está desarrollando aún más para sistemas más complejos y realistas.