## Plataforma de IA GPS para predecir la expresión génica a partir de estructuras moleculares
Científicos de la Michigan State University han desarrollado la plataforma GPS (Predictor de perfiles de expresión génica en estructuras químicas), que analiza la estructura de compuestos químicos y predice su impacto en la expresión génica. El modelo funciona únicamente con fórmulas moleculares, sin necesidad de pruebas de laboratorio. Entrenado con millones de puntos de datos experimentales, GPS resuelve una tarea de clasificación: regulación al alza o a la baja de la actividad génica para cada compuesto. Esto permite el cribado virtual de candidatos a fármacos.
La plataforma ya ha identificado compuestos prometedores para el carcinoma hepatocelular (HCC), una forma altamente letal de cáncer de hígado, y la fibrosis pulmonar idiopática (IPF), donde la supervivencia media es de solo tres años. Los resultados han sido validados mediante pruebas in vivo y ex vivo, y publicados en la revista Cell.
Arquitectura y entrenamiento de GPS
GPS se entrena con un vasto conjunto de datos de mediciones experimentales de expresión génica. El principal desafío es el ruido en los datos biológicos. Como señala la coautora Jiayu Zhou, el modelo se centra en señales fuertes e ignora el ruido débil. Esto se logra mediante técnicas de aprendizaje robusto, donde la estructura de la molécula (SMILES o representaciones gráficas) se introduce directamente en la entrada.
Proceso:
- Datos de entrada: Estructura molecular (fórmula, grafo).
- Procesamiento: Codificación en representaciones vectoriales (p. ej., mediante redes neuronales de grafos).
- Salida: Vector de predicción para la expresión génica en miles de genes (regulación al alza/baja).
- Entrenamiento: Clasificación multitarea en millones de pares compuesto-gen.
El modelo no requiere experimentos previos, lo que acelera la fase de descubrimiento en el desarrollo de fármacos.
Aplicación al carcinoma hepatocelular
Para el HCC —la tercera forma de cáncer más mortal—, GPS seleccionó dos compuestos novedosos. Las pruebas en modelos murinos mostraron una reducción en la masa tumoral. Los compuestos modulan genes clave implicados en la proliferación hepatocítica y la angiogénesis. Este es un primer paso hacia candidatos, pero se necesita una optimización adicional para mejorar la especificidad y la biodisponibilidad.
Resultados para la fibrosis pulmonar idiopática
La IPF es una enfermedad progresiva con bajas tasas de supervivencia. GPS identificó:
- Un fármaco repropósito (de medicamentos existentes).
- Dos compuestos novedosos.
La validación se realizó en ratones y explantes de tejido pulmonar humano de Corewell Health. Los compuestos suprimen vías fibróticas (señalización TGF-β), reduciendo la deposición de colágeno. El autor principal Xiaopeng Li destaca el enfoque sistemático de IA, en contraste con dos décadas de fracasos tradicionales.
Código de código abierto y perspectivas futuras
El equipo de MSU, Stanford y la University of Michigan ha liberado el código de GPS como de código abierto. La plataforma puede cribar cualquier compuesto contra objetivos en oncología, fibrosis y otras áreas. Apoyado por NIH y NSF.
Edmund Ellsworth, director del Center for Medicinal Chemistry de MSU, advierte: de los aciertos a fármacos aprobados toma años de optimización, ensayos preclínicos y clínicos. El desarrollo es un proceso iterativo que involucra equipos interdisciplinarios (>20 especialistas en el proyecto).
Puntos clave:
- GPS predice la expresión génica únicamente a partir de la estructura, sin laboratorio húmedo necesario.
- Aciertos validados para HCC (reducción tumoral en ratones) e IPF (tejido humano ex vivo).
- Código de código abierto para cribado impulsado por la comunidad.
- Escalable a otras enfermedades.
- Resistencia al ruido como clave para la precisión en datos biológicos ruidosos.
La plataforma está cambiando el paradigma en el descubrimiento computacional de fármacos al centrarse en aciertos impulsados por predicciones.
— Editorial Team
Aún no hay comentarios.