Investigadores del CSIC desarrollan un innovador protocolo de diseño de fármacos que permite generar miles de compuestos con propiedades terapéuticas incluso con datos experimentales limitados

Palma, 6 de junio. Un equipo multidisciplinar de científicos del CSIC, la Universidad Pontificia Comillas y la empresa AItenea Biotech ha desarrollado una nueva estrategia computacional basada en inteligencia artificial que permite diseñar moléculas terapéuticas desde cero, abriendo una prometedora vía en la lucha contra enfermedades como el alzhéimer, el síndrome de Down y ciertos tipos de cáncer.

El estudio, publicado en la revista Journal of Medicinal Chemistry, se centra en la proteína DYRK1A, cuya sobreexpresión se ha relacionado con varios trastornos neurodegenerativos y oncológicos. “Inhibir esta proteína puede prevenir o ralentizar procesos patológicos como la acumulación de proteínas tau hiperfosforiladas, asociadas a la neurodegeneración”, explica Nuria E. Campillo, investigadora del Centro de Investigaciones Biológicas Margarita Salas (CIB-CSIC) y una de las autoras principales.

Una nueva molécula con propiedades avanzadas

Entre las moléculas generadas mediante inteligencia artificial y validadas químicamente, destaca una pirazolil-1H-pirrolo[2,3-b]piridina, que ha mostrado una potente inhibición nanomolar de DYRK1A, además de poseer propiedades antioxidantes, antiinflamatorias y una alta permeabilidad cerebral, esencial para su eficacia como tratamiento neurológico.

Este avance se logró combinando modelos generativos de IA, técnicas de acoplamiento molecular (docking) y cálculos cuánticos mediante la teoría del funcional de la densidad (DFT). “Gracias a este enfoque, podemos diseñar nuevas moléculas en semanas, cuando antes se requerían años”, señala David Ríos Insua, investigador del CSIC en el Instituto de Ciencias Matemáticas (ICMAT).

Un modelo generativo para miles de nuevos compuestos

El protocolo se apoya en un modelo generativo jerárquico, que utiliza grafos moleculares para construir nuevas estructuras a partir de motivos estructurales complejos y flexibles. Esta tecnología permite crear miles de compuestos únicos capaces de cumplir funciones biológicas específicas, incluso cuando se dispone de pocos datos experimentales.

Para mejorar la predicción de la actividad y toxicidad de los compuestos, los investigadores utilizaron modelos QSAR (relación cuantitativa estructura-actividad) potenciados con IA. La integración de estos modelos elevó notablemente la precisión en la predicción biológica de los candidatos.

Hacia ensayos preclínicos y otras aplicaciones terapéuticas

Los compuestos más prometedores ya han sido sintetizados y evaluados en ensayos enzimáticos y celulares. El siguiente paso será su optimización química y evaluación en modelos preclínicos, así como la incorporación de aprendizaje por refuerzo para afinar aún más la formulación y reducir posibles efectos secundarios.

Además, el protocolo puede adaptarse a otros objetivos terapéuticos, lo que lo convierte en una herramienta valiosa en la búsqueda de nuevos tratamientos para enfermedades complejas. Este proyecto muestra el potencial transformador de la IA en el diseño de fármacos y marca un hito en la medicina computacional personalizada.