Resonancia Magnética e inteligencia artificial: la técnica que multiplica por 10 la detección de nuevos fármacos
Encontrar un fármaco candidato es como buscar una aguja en un pajar molecular: hay miles de compuestos posibles y solo unos pocos terminan siendo útiles. Ahora, un equipo internacional con participación del Instituto de Investigaciones Químicas (IIQ), centro mixto del CSIC y la Universidad de Sevilla, ha desarrollado una técnica que podría recortar tiempos en las primeras fases del proceso.
El avance combina espectroscopía de resonancia magnética nuclear (RM) con herramientas de inteligencia artificial, permitiendo identificar y clasificar compuestos con mucho mayor ritmo y precisión. El estudio se ha publicado en el Journal of the American Chemical Society.
SHARPER optimizada con aprendizaje automático
La metodología, denominada SHARPER NMR y optimizada mediante aprendizaje automático, está diseñada para analizar cómo pequeñas moléculas (fragmentos) se unen a proteínas que pueden convertirse en dianas terapéuticas. Esa unión es una pista crucial: indica qué compuestos tienen potencial para convertirse, tras optimización, en futuros medicamentos.
La gran diferencia está en la velocidad: con este enfoque se pueden evaluar hasta 140 fragmentos al día, frente a los 4 a 15 que suelen permitir los métodos convencionales. Además, gran parte del trabajo se automatiza, tanto en la adquisición de datos como en el análisis, lo que la convierte en una herramienta de alto rendimiento para bibliotecas de cientos o miles de candidatos.
Menos mediciones, más información útil
Tradicionalmente, estudiar interacciones débiles entre fragmentos y proteínas exige tiempo y bastante proteína, porque esas señales son difíciles de captar. La nueva técnica concentra la señal y la hace más “legible”, mejorando la sensibilidad y facilitando detectar cambios cuando el fragmento interactúa con la proteína.
La IA también aporta un recorte clave: donde antes podían necesitarse hasta siete mediciones por compuesto, ahora basta con dos concentraciones para clasificar con precisión una colección completa de candidatos. Esto simplifica el proceso experimental y acelera la toma de decisiones.
Ridvan Nepravishta (Cancer Research Horizons, Reino Unido), primer coautor, destaca que este enfoque puede acelerar de forma notable las etapas iniciales del desarrollo de medicamentos, ayudando a los equipos que trabajan en diseño y optimización de fármacos. Por su parte, Jesús Angulo (IIQ-CSIC) subraya la facilidad de implementación y automatización del método, especialmente útil para identificar los “hits”, es decir, los fragmentos que mejor interaccionan con una proteína de interés.
Impulso al diseño basado en fragmentos
El avance se enmarca en el Fragment-Based Drug Discovery (FBDD), una estrategia ampliamente utilizada que empieza detectando pequeñas piezas moleculares que se unen a proteínas implicadas en enfermedades, para luego perfeccionarlas y aumentar su eficacia. El problema habitual es que esas uniones son muy débiles y técnicas como la cristalografía de rayos X o la microscopía electrónica no siempre las captan bien. La RM sí puede hacerlo, pero su sensibilidad y tiempos habían limitado su uso a gran escala.
Según Juan C. Muñoz-García, el trabajo muestra el impacto de la investigación multidisciplinar y la colaboración internacional: unir RM avanzada y aprendizaje automático permite acelerar la clasificación de compuestos prometedores hasta niveles que, en este campo, eran difíciles de imaginar.
En conjunto, la técnica no solo multiplica la velocidad y mantiene precisión: también reduce consumo de proteína, automatiza tareas y hace más accesible el proceso para laboratorios e industria, abriendo la puerta a un descubrimiento de fármacos más ágil y eficiente.
Leave a reply →
