Investigadores del Departamento de Biología Computacional de la Universidad Carnegie Mellon en la Facultad de Ciencias de la Computación han desarrollado un nuevo proceso que podría revitalizar la búsqueda de medicamentos de productos naturales para tratar cánceres, infecciones virales y otras dolencias
Los algoritmos de aprendizaje automático desarrollados por el Laboratorio de Metabolómica y Metagenómica combinan las señales de los metabolitos de un microbio con sus señales genómicas e identifican cuáles probablemente correspondan a un producto natural. Sabiendo eso, los investigadores están mejor equipados para aislar el producto natural y comenzar a desarrollarlo para un posible fármaco.
«Los productos naturales siguen siendo uno de los caminos más exitosos para el descubrimiento de fármacos», dijo Bahar Behsaz, científico del proyecto en el laboratorio y autor principal de un artículo sobre el proceso. «Y creemos que podemos llevarlo más allá con un algoritmo como el nuestro. Nuestro modelo computacional es órdenes de magnitud más rápido y más sensible».
En un solo estudio, el equipo pudo escanear los datos metabolómicos y genómicos de aproximadamente 200 cepas de microbios. El algoritmo no solo identificó los cientos de medicamentos de productos naturales que los investigadores esperaban encontrar, sino que también descubrió cuatro nuevos productos naturales que parecen prometedores para el desarrollo futuro de medicamentos. El trabajo del equipo se publicó recientemente en Nature Communications.
El artículo, «Integración de la genómica y la metabolómica para el descubrimiento escalable de péptidos no ribosomales», describe el desarrollo del equipo de NRPminer, una herramienta de inteligencia artificial para ayudar a descubrir péptidos no ribosomales (NRP). Los NRP son un tipo importante de producto natural y se utilizan para fabricar muchos antibióticos, medicamentos contra el cáncer y otros medicamentos de uso clínico. Sin embargo, son difíciles de detectar e incluso más difíciles de identificar como potencialmente útiles.
«Lo único de nuestro enfoque es que nuestra tecnología es muy sensible. Puede detectar moléculas con nanogramos de abundancia», dijo Hosein Mohimani, profesor asistente y director del laboratorio. «Podemos descubrir cosas que se esconden bajo la hierba».
La mayoría de los antibióticos, antimicóticos y muchos medicamentos antitumorales descubiertos y ampliamente utilizados provienen de productos naturales.
La penicilina se encuentra entre los fármacos más utilizados y conocidos derivados de productos naturales. Fue, en parte, descubierto por suerte, al igual que muchas de las drogas elaboradas con productos naturales. Pero replicar esa suerte es difícil en el laboratorio y a escala. Tratar de descubrir productos naturales también requiere mucho tiempo y trabajo, y a menudo lleva años y millones de dólares. Las principales compañías farmacéuticas han abandonado en su mayoría la búsqueda de nuevos productos naturales en las últimas décadas.
Sin embargo, al aplicar algoritmos de aprendizaje automático al estudio de la genómica, los investigadores han creado nuevas oportunidades para identificar y aislar productos naturales que podrían ser beneficiosos.
«Nuestra esperanza es que podamos impulsar esto y descubrir otros candidatos a fármacos naturales y luego desarrollarlos en una fase que sea atractiva para las compañías farmacéuticas», dijo Mohimani. «Bahar Behsaz y yo estamos ampliando nuestros métodos de descubrimiento a diferentes clases de productos naturales a una escala adecuada para la comercialización».
El equipo ya está investigando los cuatro nuevos productos naturales descubiertos durante su estudio. Los productos están siendo analizados por un equipo dirigido por Helga Bode, directora del Instituto de Biociencia Molecular de la Universidad Goethe en Alemania, y se ha descubierto que dos tienen propiedades antipalúdicas potenciales.
Este estudio se realizó en colaboración con investigadores de la Universidad de California en San Diego; Universidad de San Petersburgo; el Instituto Max-Planck; Universidad Goethe; la Universidad de Wisconsin, Madison; y el Laboratorio Jackson.
Fuente: Carnegie Mellon University . Original escrito por Aaron Aupperlee.
