Modelo informático avanza en la búsqueda de tratamientos para el COVID-19
Micrografía electrónica de transmisión de partículas del virus SARS-CoV-2, aisladas de un paciente. Imagen capturada y coloreada en el Centro de Investigación Integrada (IRF) del NIAID en Fort Detrick, Maryland. Crédito: NIAID
Un nuevo modelo de aprendizaje profundo que puede predecir cómo interactuarán los genes humanos y los medicamentos ha identificado al menos 10 compuestos que pueden ser prometedores como tratamientos para el COVID-19.
Todos los medicamentos, excepto dos, todavía se consideran en fase de investigación y se está probando su eficacia contra la hepatitis C, enfermedades fúngicas, cáncer y enfermedades cardíacas. La lista también incluye los medicamentos aprobados ciclosporina, un inmunosupresor que previene el rechazo de órganos trasplantados, y anidulafungina, un agente antifúngico.
El descubrimiento fue realizado por científicos informáticos, lo que significa que se necesita mucho más trabajo antes de que cualquiera de estos medicamentos se confirmarían como tratamientos seguros y efectivos para personas infectadas con SARS-CoV-2. Pero al usar inteligencia artificial para llegar a estas opciones, los científicos han ahorrado a los investigadores clínicos y farmacéuticos el tiempo y el dinero que se necesitaría para buscar posibles medicamentos contra el COVID-19 de forma fragmentada.
«Cuando nadie tiene información sobre una nueva enfermedad, este modelo muestra cómo la inteligencia artificial puede ayudar a resolver el problema de cómo considerar un posible tratamiento», dijo el autor principal Ping Zhang, profesor asistente de informática e ingeniería e informática biomédica en la Universidad Estatal de Ohio.
Los investigadores señalaron en el artículo que algunos de los candidatos de reutilización que generó el modelo ya se han estudiado para su uso potencial en pacientes con COVID-19.
«Las grandes mentes piensan igual, algunas lideran compuestos identificados por la inteligencia artificial coinciden con los descubrimientos posteriores de la inteligencia humana», dijo Zhang.
La investigación se publica hoy (1 de febrero) en Nature Machine Intelligence.
Zhang y sus colegas habían completó la moda el diseño de el en mayo de 2020, justo cuando se publicaban los primeros artículos que detallaban cómo los genes de los pacientes con COVID-19 respondían al virus. La nueva información proporcionó una prueba importante para el modelo informático, que los investigadores llaman «DeepCE», pronunciado «Deep Sea».
Para hacer predicciones sobre cómo interactuarán los genes y los medicamentos y producirán candidatos para la reutilización de fármacos, DeepCE se basa en en dos fuentes primarias de datos disponibles públicamente: L1000, un depósito de datos de líneas celulares humanas financiado por los Institutos Nacionales de la Salud que muestra cómo cambia la expresión génica en respuesta a los medicamentos, y DrugBank, que contiene información sobre las estructuras químicas y otros detalles sobre 11,000 medicamentos aprobados y en investigación.
L1000 muestra comparaciones de líneas celulares lado a lado de la actividad de expresión génica estándar con cambios en la expresión génica producidos por interacciones con medicamentos específicos. Las líneas celulares representan enfermedades, como el melanoma, y órganos, como los riñones y los pulmones. Es un proyecto en curso, con datos que se agregan a medida que los experimentos en animales o humanos complementan los perfiles de expresión génica producidos en los experimentos de líneas celulares.
Los investigadores del estado de Ohio entrenaron el modelo DeepCE ejecutando todos los datos L1000 a través de un algoritmo contra compuestos químicos específicos y sus dosificaciones. Para llenar los vacíos de datos, el modelo convierte las descripciones de los compuestos químicos en cifras, lo que permite la consideración automática de los efectos de sus componentes separados en los genes. Y para los genes no representados en L1000, el equipo utilizó un enfoque de aprendizaje profundo llamado «mecanismo de atención» para aumentar la muestra «aprendida» del modelo de interacciones entre genes y compuestos químicos, lo que mejora el rendimiento del marco.
» De esta manera, el resultado demuestra el aprendizaje multitarea: podemos predecir valores de expresión génica para nuevos químicos no de una célula a otra, sino predecir automáticamente el papel de un fármaco en diferentes líneas celulares y diferentes genes», dijo Zhang, quien dirige la Inteligencia Artificial en Medicine Lab y es miembro principal de la facultad en el Translational Data Analytics Institute en Ohio State. «Podemos usar la computadora para simular la expresión génica inducida por drogas. Esto proporciona un valor real».
«La historia debería terminar aquí: aquí es donde estábamos durante las vacaciones de primavera. Pero luego llegó COVID-19, y nosotros Esperábamos que nuestra investigación pudiera ayudar, por lo que hicimos un estudio de caso especial para la reutilización de medicamentos contra el COVID-19».
El equipo aplicó la matriz de predicción de expresión génica de DeepCE, centrándose en datos de líneas celulares de pulmón y vías respiratorias y todo el catálogo de DrugBank de compuestos a la información genética provista de los primeros documentos de COVID-19 y datos gubernamentales adicionales. Los datos de COVID-19 demostraron cómo la expresión génica humana había respondido a la infección por SARS-CoV-2, creando una «firma de la enfermedad».
«Basado en los cambios de expresión génica conocidos que han ocurrido y se han identificado con medicamentos conocidos, lo aplicamos a la expresión génica en cuestión, en este caso, compuestos que se están estudiando pero que aún no se han experimentado en L1000. Colocamos tales «firmas de medicamentos» predichas contra los perfiles de pacientes con COVID-19 a nivel de población». Zhang dijo.
«Una vez que puede identificar ambas firmas, el trabajo es fácil. Siempre que encontremos la enfermedad y un fármaco muestre perfiles de expresión génica opuestos, lo que sugiere que el fármaco revertiría los efectos de la enfermedad, tiene encontrado un fármaco que puede tratar la enfermedad».
Este modelo complementa un modelo de reutilización de fármacos que Zhang describió en un artículo reciente que simula ensayos clínicos utilizando datos clínicos observacionales.
«Quiero armar una agenda de investigación utilizando todos los diferentes recursos de datos para dr ug reutilización y asociaciones de medicamentos y enfermedades desde múltiples perspectivas y conéctese con investigadores que pueden colaborar con nosotros para encontrar nuevos medicamentos para enfermedades, incluidas enfermedades desconocidas», dijo Zhang.
Explore más
Uso de inteligencia artificial para encontrar nuevos usos para medicamentos existentes Más información: Pham, TH., Qiu, Y., Zeng, J. et al. Un marco de aprendizaje profundo para la detección de compuestos fenotípicos impulsados por mecanismos de alto rendimiento y su aplicación a la reutilización de fármacos para la COVID-19. Inteligencia de Nat Mach (2021). doi.org/10.1038/s42256-020-00285-9 Información de la revista: Nature Machine Intelligence
Proporcionado por la Universidad Estatal de Ohio Cita: El modelo informático avanza en búsqueda de tratamientos COVID-19 (2021, 1 de febrero) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-02-covid-treatments.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.