Con el objetivo de desarrollar fármacos dirigidos a tratar enfermedades importantes, tal como el cáncer, los investigadores deben tener la capacidad de identificar candidatos farmacológicos prometedores; para ello se emplean grandes bases de datos farmacológicos.

Adicionalmente, es necesario identificar las interacciones fármaco-objetivo; es decir, saber si los compuestos candidatos actúan efectivamente sobre las proteínas objetivo. A fin de facilitar este proceso, un equipo de investigadores del Instituto Tecnológico de Massachusetts, ha diseñado un sistema criptográfico que promete ayudar a las redes neuronales a identificar candidatos farmacológicos.

Protocolo criptográfico promete facilitar el desarrollo de mejores fármacos

En las últimas décadas, tanto las universidades como las empresas farmacéuticas, han empezado a combinar datos farmacológicos en bases de datos masivas a fin de mejorar los modelos de análisis de interacciones fármaco-objetivo. No obstante, han surgido obstáculos, principalmente relacionados a la propiedad intelectual y problemas de privacidad. Esto ha limitado el alcance de los modelos.

En este sentido, las estrategias de criptografía actuales no se adaptaban adecuadamente a las bases de datos superiores a las decenas de miles; esto representa una pequeña parte de lo que se necesita.

Para cubrir esta necesidad, un equipo de investigadores el Instituto Tecnológico de Massachusetts, entrenaron una red neuronal, añadiéndole herramientas criptográficas, logrando analizar conjuntos de datos superiores al millón de interacciones fármaco-objetivo. De esta manera, se conforma como una estrategia rápida y eficiente que, además, mantiene la privacidad de los datos.

En este sentido, al poner a prueba el funcionamiento de la red, se demostró que funciona con mayor rapidez y precisión que otras estrategias existentes; de hecho, en tan solo días es capaz de procesar una cantidad de datos tal, que otras herramientas demorarían meses. Adicionalmente, se logró la identificación de algunas interacciones novedosas, tal como la interacción entre el imatinib, un medicamento para la leucemia, y la enzima ErbB4, relacionada al cáncer, entre otras.

En resumen, el sistema criptográfico permite agrupar y analizar entidades de datos masivas de forma eficiente; esto facilita la labor de descubrir fármacos y tratar enfermedades importantes.

¿Cómo funciona el protocolo?

El protocolo ayuda a identificar los fármacos y sus interacciones al analizar simultáneamente cantidades masivas de datos. Créditos: MIT.

En particular, el sistema está basado en un desarrollo previo cuyo objetivo era proteger la privacidad de las personas que participan en estudios genéticos. Para ello, se trabajó con un protocolo criptográfico, denominado “Intercambio Secreto”, que analiza eficientemente los datos de un millón de genomas.

Así, el uso compartido se emplea en el cómputo multipartito, por lo que los datos son divididos en recursos compartidos que son separados en múltiples servidores. A partir de ello, los datos aparecen al aleatoriamente, dependiendo de la localización de las diversas partes. Aún así, los servidores se comunican y desempeñan procesos útiles; entonces, cuando se requiere cierta información, cada parte juega cumple su función para mostrar los resultados.

Lo innovador de todo esto gira en torno a la reducción de los procesos necesarios para la capacitación y experimentación. Para ello, se entrenó una red neuronal basada en cálculos lineales, demostrando su trato eficiente de los datos. Específicamente, la red fue entrenada en el conjunto de datos STITCH, la cual está compuesta por 1,5 millones de datos de interacciones droga-objetivo.

Por tanto, se corresponde con la mayor base de datos disponible hasta el momento. Durante el proceso, la red codifica los compuestos farmacológicos, en conjunto con las estructuras proteicas, como si se tratase de una representación vectorial. De esta manera, las estructuras complicadas son sintetizadas como unos y ceros que un computador puede procesar con facilidad.

Finalmente, la red aprende, a partir de estos vectores, cuáles son los patrones de interacción; de esto, posteriormente, se generan predicciones en relación a posibles interacciones. Dada la eficiencia del sistema, los investigadores se encuentran trabajando para poder ejecutar el protocolo con datos reales.

Referencia: Realizing private and practical pharmacological collaboration, (2018). https://www.doi.org/10.1126/science.aat4807

Más en TekCrispy