PDGrapher identifica con precisión factores que provocan enfermedades en las células y predice terapias que pueden restaurar su función.
Un equipo internacional de investigadores, liderado por científicos de Harvard, ha desarrollado una herramienta de inteligencia artificial (IA), que podría transformar la búsqueda de nuevos tratamientos médicos. El modelo, denominado PDGrapher, utiliza redes neuronales gráficas inspiradas en la causalidad para predecir combinaciones de genes y compuestos capaces de revertir células de un estado enfermo a uno tratado o saludable. Los hallazgos fueron publicados en la revista Nature Biomedical Engineering.
“El descubrimiento tradicional de fármacos se asemeja a probar cientos de platos preparados para encontrar uno con el sabor perfecto”, afirmó Marinka Zitnik, autora principal del estudio y profesora asociada de informática biomédica en el Instituto Blavatnik de Harvard. “PDGrapher trabaja como un chef experto que entiende cómo se quiere que sea el plato y cómo combinar los ingredientes para lograr el sabor deseado”.
Es decir, este proceso se encarga de diseñar moléculas que actúen sobre proteínas específicas relacionadas con una enfermedad. Sin embargo, es un método tardado y limitado, pues se concentra en un solo gen o proteína. En los últimos años ha resurgido la estrategia “fenotipo-dirigida”, que identifica compuestos capaces de modificar directamente las características observables de células enfermas, incluso sin conocer de antemano el blanco molecular.
En este contexto surge PDGrapher, 0 aborda un problema clave, ya que en lugar de predecir cómo responderá una célula a un fármaco ya existente, infiere directamente qué combinación de genes o compuestos es necesaria para lograr el cambio deseado. Para ello, integra datos de expresión génica en redes biológicas y aplica técnicas de deep learning o aprendizaje profundo.
En pruebas realizadas con 38 conjuntos de datos que abarcan intervenciones químicas y genéticas en 11 tipos de cáncer, PDGrapher superó el desempeño de métodos previos. El modelo identificó con mayor precisión combinaciones terapéuticas en líneas celulares no vistas durante su entrenamiento y logró entrenarse hasta 25 veces más rápido que otras herramientas similares. Además, predijo blancos moleculares relevantes en cáncer de pulmón, como el receptor KDR, asociados a fármacos ya aprobados o en desarrollo clínico.
Este nuevo esfuerzo podría optimizar el diseño de los medicamentos ya que en lugar de predecir, PDGrapher busca blancos específicos para revertir la amenaza. El modelo está disponible de manera gratuita para médicos e investigadores en el siguiente enlace: https://github.com/mims-harvard/PDGrapher
Los autores destacan que esta aproximación no solo facilita la identificación de nuevas terapias, sino que también ayuda a entender el mecanismo de acción de medicamentos existentes. Esto podría acelerar el reposicionamiento de fármacos y el diseño de combinaciones más efectivas contra enfermedades complejas como el cáncer. Además, esta herramienta podría ser especialmente útil para enfermedades complejas como cáncer, ya que identifica múltiples blancos involucrados en la enfermedad.
